Reflection开源Beam：501B只激活23B，Apache 2.0可商用，第三方测出幻觉率47%

AI模型库 · 今日一模

Reflection Beam 1.0

开源权重 · 编码与 Agent · 纯文本

总参 501B · 激活 23B · 1M 窗 · Apache 2.0

10 月 16 日晚上，Reflection 把 Beam 的权重挂上了 Hugging Face。总参 501B，每个 token 只激活约 23B，上下文 1M，许可证是 Apache 2.0。同一时间，Ollama、Together、Baseten、Modal、Cloudflare、vLLM 这些合作方一起发帖说「第 0 天就能用」，官方的说法是 40 多家伙伴同步上线。

这件事其实 10 月初就预告过。Reflection 当时发帖说「本月放出完整权重」，那条帖子在 X 上有 240 多万次浏览。十来天后真放了，而且一口气放了 BF16、FP8、NVFP4 三套精度，外加一个用来加速推理的 DFlash2 草稿模型，以及他们自己训练时用的开源 Agent 外壳 Mirror CLI。

我最在意的是许可证。昨天写的 Muse Spark Open 走的是 Meta 自家许可，要显著标注出处，做模型服务营收过线还得另签协议。Beam 直接 Apache 2.0，模型卡还专门写了一句：不禁止蒸馏、不禁止用输出训练别的模型、不禁止微调、量化、合并。对想拿开源大模型做产品的团队来说，这比跑分多几分实在得多。

但第三方测评也来得很快。Artificial Analysis 给的结论里有一句很扎眼：知识问答的幻觉率 47%。下面按老规矩拆：它能干嘛，对做应用的人意味着什么，冷水泼在哪。

定位很单纯：写代码、跑 Agent、做推理。模型卡列的四项主能力是省 token 的推理、软件工程（修真实 GitHub issue、在命令行和运维环境里干活）、工具调用（长任务、MCP、浏览网页）、数学和科学推理。只吃文本、只吐文本，不看图。

结构上，52 层里前 3 层是普通稠密层，后 49 层是 MoE，每层 256 个专家，每个 token 只走 8 个。注意力是混合的：大多数层只看前面 512 个 token 的滑动窗口，每隔六层才有一层看全文。Hugging Face 的博文算过账：这样每个 token 的 KV 缓存只涨约 36KiB，塞满 1M 窗一条请求约 36GiB；要是 52 层都看全文，会是 208GiB。长上下文成本大概只剩六分之一，这是实打实的工程收益。

训练投入也写得很具体：预训练 23.8 万亿 token；强化学习阶段用了 1.05 万张 GB300 跑了 4 周，生成超过 1 亿条 rollout，评分和训练一共开了约 13 亿个沙箱，环境池接近 100 万个。官方说 RL 加到最后「还没看到平台期」。这些都是厂商自述，但细到这个程度，至少说明他们不是拿别人的底座套个壳。

跑分方面，模型卡自报 BF16 版 SWE-bench Verified 81.6%、Terminal Bench v2.1 80.1%、MCP Atlas 80.8%、GPQA Diamond 90.6%。这些是 Reflection 自己测的，我只把它当「厂商觉得自己强在编码和工具调用」的方向信号。官方说可复现的评测配方「很快放出」，现在还没有。

更值得看的是第三方。Artificial Analysis 智能指数给 Beam 打了 30 分，在美国开源权重模型里排第二，前面只有 Muse Spark Open（39），后面是前天的 NVIDIA Nemotron 3.5 Super VL（26）。它每道题平均输出约 2.6 万 token，分数只高 1 分的 K2 Horizon 要用约 5.2 万。「省 token」这个卖点，第三方至少部分认了。

第一，试用门槛几乎为零。Ollama 宣布限时免费，模型托管在美国、零数据留存，一行命令就能接进现有编码 Agent。Vercel AI Gateway 也挂了限时免费的 reflection/beam-free，还透露这模型之前一直以「stealth/cat-jam」的代号匿名跑着。Hugging Face 的推理服务也能直接调，背后是 Baseten、Fireworks、Together。

Ollama 官方给的命令（10月16日帖）

ollama run beam
ollama launch claude --model beam:cloud
ollama launch codex --model beam:cloud
ollama launch opencode --model beam:cloud

这里的 beam:cloud 是跑在 Ollama 云上的，不是你本机。别看到 Ollama 就以为笔记本能扛 501B。

第二，自己部署的账比昨天那位好算。Hugging Face 博文给的建议：最实际的是用 NVFP4 版，权重从 BF16 的约 1TB 压到约 280GB。两张 B200（共 360GB）勉强装得下权重，但没空间留给缓存，建议按四张 B200 规划；也可以两张 B300，或者 8 张 RTX Pro 6000。NVFP4 只有 Blackwell 能原生跑，H200 这一代要用 FP8，官方 SGLang 示例是 8 张 H200。BF16 原版用 vLLM 要 16 卡张量并行，也就是两台 8×H200。

vLLM 起服务（BF16，两台 8×H200）

vllm serve reflection/Beam-1.0-501B-A23B --tensor-parallel-size 16 --served-model-name beam

起来之后是 OpenAI 兼容接口，现有代码改个 base_url 就能对比。推理强度有五档：low、medium（默认）、high、xhigh、max。Hugging Face 团队做了五个小测试，低档在长上下文代码检索那题输出格式没对上，数学题答案对了但漏了要求的推导过程，高档五题全过，token 用量也明显变多。上线前每档都要拿自己的任务量一遍，别默认开满。

第三，它能当「包工头」，帮你做出能卖的小东西。Hugging Face 博文里有个我觉得最有用的案例：他们用 Beam 加开源的 Pi 编码 Agent 起步（博文提到中途 Beam 额度用完过），去训练一个开发事故分诊的小模型，判断该派给哪个团队、多严重、要不要立刻叫人。最后用 Unsloth 微调了 Qwen3.5-0.8B，在 320 张测试工单上三项全对的比例 76.25%，不微调直接提示只有 4.69%；单张工单平均延迟从约 1218 毫秒降到约 103 毫秒，快了 11.9 倍。数据、代码、检查点都公开在他们的 bucket 里。

这个思路比「拿 501B 直接回答客户」更接地气：大模型负责调研、造数据、写训练脚本，最后交付一个便宜、快、能部署的小模型。做 B 端交付的人，可以直接照这个流程报价。另一个案例是让 Beam 写一个 macOS 菜单栏语音输入工具 BeamSpeak，博文也老实写了：最终源码里有一部分是后来用 Codex 修的。

第四，想微调也有现成配方。官方给了 TRL 的 LoRA 监督微调示例，单台 8×B300 能跑，约每秒 1.9 万 token；用多语言推理数据训一轮后，「用用户指定的语言思考」从 16 题里对 3 题变成 16 题全对。全参数 GRPO 就是另一个量级了，参考配置 96 张 H200。Reflection 还在 Hub 上搞征集，用 Beam 做出好项目的可拿 1 万美元 Hub 额度。

第一盆：幻觉率 47%。Artificial Analysis 的知识问答测试里，Beam 答对 33%，比 K2 Horizon（18%）和 Qwen3.8 27B（16%）都高，知道的东西确实多；但它不会的时候更爱硬答，幻觉率 47%，那两位分别是 26% 和 30%。拿它做客服、知识库问答，必须配检索和引用核对，别让它凭记忆回答。

第二盆：换一套更难的终端题，分数掉得很厉害。自报 Terminal Bench v2.1 是 80.1%，Artificial Analysis 用的是更新更难的 Terminal-Bench 4.0，Beam 只有 3.0%，Qwen3.8 27B 是 5.6%，Muse Spark Open 是 8.1%。版本不同不能直接比，大家在 4.0 上都很低，但它确实排在后面。Arena 的 Agent 榜它排开源第 12，误差 ±3.84%，和前面两个 Qwen3.8 在统计上分不太开。

第三盆：主要为英文开发。模型卡原话是「developed predominantly for English」。中文需求文档、中文代码注释、中文客服话术，效果得你自己测，别拿英文榜单直接推断。

第四盆：省 token 是相对的。每题 2.6 万输出 token 里，约 1.9 万是推理，只有约 26% 花在最终答案上，这个占比在 219 个被测模型里排倒数第 28。总量省了，但大头仍是思考过程，账单和延迟要按真实链路量。

第五盆：限时免费总会结束。Ollama 和 Vercel 都写的是「限时」，到期后怎么收费以各平台后台为准。别把免费期的成本写进长期报价。

另外它不看图。截图排障、看设计稿这类活，要么换多模态模型，要么先转成文字再喂。

Beam 让我挺兴奋：Apache 2.0、能下、能改、能蒸馏，部署账也比昨天的 816B 好算不少，第一次放权重就把推理、微调、RL 配方一起摆上桌。可要是有人说它「开源追平闭源」，我会把 47% 幻觉率和 3.0% 那两个数甩过去。它更像一个许可干净、成本可控的编码主力，前提是你自己验收过。

照着做可以按这张单子：① 今天就用 ollama run beam 或 Vercel 的 beam-free 试几个你手头真实的 bug；② 用 ollama launch 把它接进 Claude Code、Codex 或 OpenCode，和现用模型跑同一组任务，记下通过率和 token 数；③ 单独准备 10 条中文任务，看理解和输出有没有掉；④ 涉及事实问答的场景先接检索，关掉「凭记忆答」；⑤ low、medium、high 各跑一轮，找到够用的最低档；⑥ 确定要自托管，再按 Blackwell 用 NVFP4、Hopper 用 FP8 估卡；⑦ 想做交付，参考 Hugging Face 那个分诊案例，用大模型造数据、训一个小模型交给客户。

很多人卡在第 ⑦ 步：模型会用了，命令也跑通了，就是不知道怎么变成一单生意。买家是谁、交付什么文件、过关标准写什么、改几轮，这些和模型强不强没关系。

你会先拿 Beam 接进哪个编码 Agent？评论区聊聊。

出处：Reflection 官方博客与模型卡、Hugging Face 模型页及博文《Welcome Beam》（10月16日）；X @reflection_ai、@ArtificialAnlys、@ollama、@arena、@vercel_dev。

往期 · 接着看

Meta开源Muse Spark Open：816B只激活42B，两台Mac能跑？NVFP4仍要约700GB显存

蚂蚁开源Ling-3.1-flash：560B只激活25B，1M窗线上先给256K

Step 5：600B 只激活 27B

「AI商业实战」新人邀请礼遇 ¥25，进圈可领两张短卡：「交付定义卡」把买家、交付文件、过关标准、改稿轮次一次写清；「一周试跑清单」按天跑通一个最小交付闭环。不保证接单，帮你少走弯路。

工具会用还不够，进「AI商业实战」从项目练到接单。

新人邀请礼遇：领取新人邀请

觉得有用的话，欢迎点赞、收藏、评论。

THANKS FOR READING