开源权重模型的竞赛，正在从“谁的分数高”转向“谁能真正干活”。
2026 年 10 月 5 日，Reflection AI 发布其首个开源权重模型 Beam：一个总参数 5010 亿、每次前向只激活 230 亿的稀疏混合专家（MoE）模型，专门面向编程、推理与智能体任务。十天之后，亚马逊云科技（AWS）在官方博客宣布，Beam 已登陆 Amazon SageMaker JumpStart，开发者可以在美东（北弗吉尼亚）和美东（俄亥俄）区域直接部署实时推理端点。
这看起来是一次寻常的模型上架。但把它放进更大的图景里，味道就变了。
西方开源阵营，终于有了自己的“门面”
过去两年，开源权重模型的榜单基本被中国实验室统治。GLM、Kimi、Qwen、DeepSeek 系列在 agentic coding 评测中轮番登顶，西方开源阵营长期缺少一个能拿得出手的“门面”。OpenAI 和 Anthropic 把最强能力锁在 API 里，Meta 的 Llama 系列更偏向通用对话而非代码智能体，西方开发者想找一个能真正干活的开源模型，选择并不多。
Reflection 的野心很直白：做“西方开源权重前沿”（Western open-weight frontier）。这家公司 2024 年由两位前 Google DeepMind 研究员创立，Misha Laskin 曾领导 DeepMind Gemini 项目的奖励建模，Ioannis Antonoglou 是 AlphaGo 的联合创造者。2025 年 10 月，公司完成 20 亿美元融资，估值达到 80 亿美元，相比 7 个月前 5.45 亿美元的估值跳升了约 15 倍，投资方包括英伟达、红杉、Lightspeed、前谷歌 CEO 埃里克·施密特等。
钱烧在了哪里？Beam 的预训练用了 23.8 万亿个经过筛选的高质量 token，过滤掉了约 95% 的原始互联网内容，却刻意保留了约 1.8 万亿个被常规过滤器丢弃的高质量 token。预训练在 6144 张 NVIDIA GB300 NVL72 GPU 上不到 4 周完成，末期 goodput 达到 92.3%。
真正拉开差距的是强化学习。Beam 的 RL 阶段动用了 1.05 万张 NVIDIA GB300 GPU，连续跑了 4 周，生成了超过 1 亿条 rollout，最长 rollout 上下文达 25.6 万 token，训练与评分消耗了约 13 亿个沙箱环境，覆盖近 100 万个编程、智能体与 STEM 环境。Reflection 称，这是迄今开源实验室中规模最大的 RL 训练之一。
这套投入换回了什么？Terminal Bench v2.1 上 80.1 分，SWE Bench Pro v2-Hard 上 77.2 分，SWE Bench Verified 上 80.9 分，AIME 2026 上 97.8 分，GPQA Diamond 上 90.5 分，MCP Atlas 工具调用 78.7 分，DeepSWE v1.1 上 44.4 分。
但 Reflection 的姿态很克制。官方博客坦承，在原始能力上 Kimi K3 仍然领先，Beam 的卖点不是“我最强”，而是“我最省”：在高级推理基准上，Beam 用 3 到 4 倍少的推理算力，就能达到与 GLM-5.2 相近的分数。
5010 亿参数装知识，230 亿参数控成本
5010 亿总参数、230 亿激活参数，这个悬殊比例本身就是答案。
agentic coding 的任务往往是长程的：维护代码、调用工具、解读中间结果、完成多步骤工作流。这类任务需要大模型有足够的“知识容量”去理解庞大的代码库，但每一次 token 生成又必须足够便宜，否则智能体跑完一个完整修复流程的成本会失控。稀疏 MoE 恰好击中这个矛盾：用 5010 亿的总容量装下知识，用 230 亿的激活规模控制每次推理的成本。
Beam 还提供了一个“推理努力程度”（reasoning effort）参数：低档位优先输出短答案，高档位允许模型在难题上做更长推理。团队可以把努力程度与任务难度、算力预算匹配起来，简单的代码补全不必“杀鸡用牛刀”，复杂的跨文件重构才值得拉长思考链。这个设计背后是一套可控长度惩罚的强化学习：模型被奖励用更少的 token 解决问题，早期训练阶段甚至出现过“性能提升、完成长度反而下降”的现象。
架构上，Beam 交错使用局部注意力与全局注意力，搭配细粒度路由专家。专家负载均衡沿用了 DeepSeek-V3 提出的无辅助损失平衡方案，并额外加入专家偏置的余弦衰减，预训练结束时最繁忙的专家负载仅为平均水平的 1.04 倍。52 层网络通过基于深度的缩放、SandwichNorm、注意力门控和 FP32 残差累加，把残差范数始终控制在有界范围内。
Beam 的有效上下文长度达到 100 万 token，这意味着它可以一次性吞下整个大型代码仓库，而不是像过去那样只能看到零散的代码片段。对智能体来说，上下文就是它的“工作台面”，台面越大，能同时摆放的线索越多，犯错的概率越低。
AWS 为什么急着把 Beam 摆上货架
AWS 的官方博客把部署路径拆成两条，对应两类完全不同的客户。
第一条是 SageMaker JumpStart 实时端点：模型、容器、端点全部托管，一条命令即可部署，支持 BF16、FP8、NVFP4 三种 checkpoint 变体。这是给想最快跑起来的团队准备的。
第二条是 SageMaker HyperPod Inference：暴露集群与服务运行时，让开发者自己控制分布式执行、缓存、路由与扩缩容。Beam 可以从 JumpStart、Hugging Face Hub 或自建的 Amazon S3 镜像加载，分布式 worker 可以用 AWS 托管的 JumpStart 容器，也可以自己用 SGLang 或 vLLM 搭建。
硬件选择也按精度分档，FP8 精度对应 ml.p5.48xlarge（H100）、ml.p5e.48xlarge 和 ml.p5en.48xlarge（H200）；NVFP4 精度对应 ml.p6-b200.48xlarge（B200）。BF16 精度显存占用最大，需要多节点配置。
AWS 为什么这么积极？因为 agentic coding 的工作负载天然适合云。一个智能体完成一次代码修复，可能要反复读取仓库、运行测试、解读报错、再次修改，这中间产生大量推理调用。如果模型权重掌握在第三方 API 手里，企业既无法控制延迟，也无法控制成本，更无法把代码资产送进别人的 API。
开源权重加上云厂商托管，恰好给了企业一个折中方案：权重公开、可审计、可私有化，同时又能享受云的弹性。对 AWS 来说，这比把客户锁进某一家模型公司的封闭 API 更安全，模型越开放，企业越愿意把核心工作负载放到云上。
更要紧的是，Beam 的 MoE 结构对推理集群提出了天然需求。5010 亿总权重即便压到 FP8 精度，也需要约 467GB 显存才能装下，一张 H100 80GB 远远不够，必须多卡张量并行；压到 NVFP4 精度仍需约 233GB，至少需要两张 B200。这种“必须上集群”的特性，恰好把客户推向了 HyperPod 这类分布式推理服务，而不是单卡自托管。云厂商的算盘打得很清楚：开源的是权重，收钱的是算力。
开源模型的赛道，正在从“分数”切换到“成本”
Beam 的发布，标志着开源权重模型的竞争焦点正在转移。
第一代开源模型的竞争是“分数竞赛”：谁的 benchmark 高，谁就赢。但分数解决不了企业最关心的三件事：推理成本、部署主权、可定制性。当模型被用来真正“干活”，写代码、调工具、跑工作流，成本曲线和可控性就变成了决定性因素。
这也是为什么 Reflection 选择 Apache 2.0 许可证，并计划在 2026 年 10 月下旬发布权重、技术报告、模型卡以及运行、评估、微调工具。权重一旦公开，开发者可以自行托管、量化、复现任何已发布的分数。相比之下，Kimi K3 的自定义许可证对超大规模产品附加了归属要求。
但 Beam 也面临现实挑战。截至 AWS 博客发布时，Beam 仍处于最终红队测试与评估阶段，权重尚未正式放出，早期访问需要加入等待名单。开源社区的检验标准比官方榜单残酷得多，权重一旦公开，任何人都会用自己的数据集重新跑一遍，任何虚标都无处藏身。
更大的不确定性来自对手。封闭阵营的 Claude Code、OpenAI 的编程模型正在快速吞噬专业开发者市场，而开源侧的 Qwen、DeepSeek、GLM 也在持续迭代。Beam 要在夹缝中证明自己，靠的不是一次发布的分数，而是权重公开后社区能否真的把它用出生产力。
结语
Beam 的真正意义，不在于它是否立刻超越 Kimi K3 或 Qwen 3.8-Max，而在于它证明了一条不同的路线：用推理效率而非原始能力作为开源模型的差异化支点，再把部署控制权交还给开发者。
对开发者来说，Beam 带来的不是又一个聊天机器人，而是一个可以装进自己流水线、可以审计、可以按任务难度调节“推理努力程度”的代码工人。
当开源模型开始比拼“干活的成本”而不是“说话的气场”，真正的智能体经济才算拉开序幕。
快报