西方对中国开放模型的回应 Beam 来了，却没带权重

这份公告详细得少见。Reflection AI 称，Beam 使用来自网络和授权专有数据集的 23.8 万亿 token 进行预训练，动用了 6,144 块 NVIDIA GB300 NVL72 GPU，用时不到四周，goodput 达 92.3%；随后又进行了四周的强化学习，在 10,500 块 GB300 上完成超过 1 亿次 rollout，涉及约 13 亿个沙箱和约一百万个编程、智能体与 STEM 环境。原生上下文为 25.6 万 token，通过中期训练（mid-training）扩展到一百万——博客做了这一区分，而 TechCrunch 只报道了一百万这个数字，没有传达出来。如此具体的数字会产生一种效果：读起来像是经过核实，其实只是声明。TechCrunch 指出，没有人独立核验过所声称的性能。

核心主张是效率：推理能力与 Z.ai 的 GLM-5.2 相当，而推理计算量“少 3 到 4 倍”。值得读一读 Reflection 自己公布的方法说明：计算量按 FLOPs ≈ 2 × 激活参数 × 每次尝试平均生成的 token 数来估算，不计入 prefill、依赖上下文的注意力运算以及服务开销。这是基于激活参数的算术，而不是在真实服务器上测得的成本或延迟——而被排除的这些项，恰恰影响着运行模型的人的真实成本。所以这个估算并不能说明实际能省下多少。

基准测试表比一份发布公告所需要的更有意思，因为它也列出了输掉的项目。Beam 落后于多个中国开放模型：SWE Bench Pro v2-Hard 为 77.2，GLM 5.3 为 84.3、Kimi K3 为 88.2；Terminal Bench v2.1 为 80.1，GLM 5.2 为 81.0、DeepSeek V4.1 为 90.6；无工具 HLE 为 36.2，Kimi K3 为 46.9；GPQA Diamond 为 90.5，Kimi K3 为 93.5。它明显获胜的对手是西方模型：对 Inkling 几乎在所有对比项上领先，从 SWE Bench Pro v1 的 65.5 对 54.3，到 Terminal Bench v2.1 的 80.1 对 63.8；对 Nemotron 3 Ultra 也在大部分测试中胜出。有多个格子标为“NR”，即未报告竞品分数，因此这种对比从结构上就是不完整的。

Reflection 将 Beam 定位为面向企业、公共部门和开发者日常工作的“主力”模型，通过超大规模云厂商、新兴云服务商以及开源库集成进行分发。据 TechCrunch 报道，这家成立于 2024 年的公司在最近一轮融资中以 250 亿美元的投前估值筹集了约 47 亿美元，投资方包括 Nvidia、Sequoia Capital 和 Lightspeed，并与 SpaceX 和 Nebius 签署了总额超过 70 亿美元、覆盖至 2029 年的 GB300 芯片算力协议。

我关注的是今天已公开的内容与所承诺内容之间的落差。目前存在的是一篇未署名的博客文章、一张由公司整理的表格，以及 platform.reflection.ai 上的候补名单；权重、Apache 2.0 许可、文档，以及用于运行、评估和微调的工具栈，都是标注为“本月晚些时候”的承诺。与此同时，Beam 用来对比的中国开放模型早已可用，任何人都可以在它们身上重新验算。这是任何基准测试都记录不到的差别：发布权重，就是把反驳你的工具交到别人手里。在那之前，该用的说法不是“Beam 具有竞争力”，而是“Reflection 说 Beam 具有竞争力”——两者之间的距离，以十月的天数来计算。

— Olya