不是跑得更猛，是花得更少

不是跑得更猛，是花得更少

2026 年的开源权重榜有个明显的事实：前排几乎全是中国模型，GLM、Kimi、Qwen、DeepSeek、MiniMax 轮流坐庄。美国实验室一直缺一张自己的牌。10 月 16 日，牌打出来了——纽约布鲁克林的 Reflection AI（2024 年由前 DeepMind 研究员 Misha Laskin 和 Ioannis Antonoglou 创立，Reuters 和华尔街日报三月报道其估值已达 250 亿美元，十月还有英伟达洽购的传闻）把旗舰模型 Beam 的权重挂上了 Hugging Face，Apache 2.0 协议，501B 总参数、每 token 激活 23B 的稀疏 MoE，上下文窗口 1M token。随模型一起开源的还有终端代理 Mirror CLI。

先对数字。Terminal-Bench v2.1 拿下 80.1%（BF16 精度，FP8 和 NVFP4 分别是 78.9% 和 78.4%）；SWE-Bench Verified 是 81.6%——这里要替官方纠一个广为流传的旧数字：不少报道（包括一些视频简介）写 80.9%，那是 10 月 5 日预览卡的数字，正式版模型卡上 BF16 是 81.6%，比旧数字还高。至于「刷新开源 Agent 性能纪录」这个说法，得拆开看：官方自己的措辞是「在高级推理基准上与 GLM-5.2 打平、推理算力省 3 到 4 倍」，外加媒体定位的「第一个能与中国顶级开源模型掰手腕的美国开源模型」。刷新的是效率比，绝对性能是打平，不是破纪录——benchlm 的聚合榜上 GLM-5.3 与 Beam 同属第一梯队，谁也没甩开谁。

真正值得展开的是省钱省在哪。Beam 训练时用了一种「可控长度惩罚」：奖励成功的解，惩罚多余的 token。效果在训练早期就显形了——分数往上涨的同时，生成长度在往下掉，模型是真的在学「少说话多办事」。部署后这个机制变成用户手里的旋钮：调低，回答短平快；调高，难题上允许更长的推理。推理预算第一次成了一个可以明码标价的滑块。支撑这套机制的训练规模也该看清：10500 块英伟达 GB300 跑四周，一亿多条 rollout，grading 加训练加消融用掉约 13 亿个沙盒，环境池是从一百万个编程、智能体和 STEM 环境里筛的。还有个容易被略过的工程细节：异步 RL 里当前策略落后最新权重 107 个版本时，数值依然稳定——这种规模的 RL 能跑完，靠的就是这类地基。

Mirror CLI 是理解 Beam 定位的另一半。架构是两层：Python 前端管产品层——提示词、技能、开发者工具；Rust 核心管执行——真正驱动模型的部分做得极小，官方明说这样核心可以顺手当干净的评测面用。功能上支持多 Git worktree 并行跑多个 agent、会话可恢复、MCP 连接、自定义技能，还接了 Slack、Linear 和 GitHub；内部用它的人描述的日常是合上笔记本，agent 继续干活。模型和 harness 是配对训练的，但也兼容 Pi、OpenCode、Hermes 等第三方 harness。配套的还有一枚官方投机解码 drafter（模型卡里的 DFlash2，10 月 13 日先期上架）——prefill 之外再给推理提速一层。

生态清单里有两处容易以讹传讹，先钉死：官方发布的精度是 BF16、FP8、NVFP4 三套加 DFlash2，流传甚广的「GGUF 官方开源」不对——GGUF 是社区 DevQuasar 转换的；「原生支持 Ollama」也不在官方 Day-0 清单里（清单是 Transformers、vLLM、SGLang、Unsloth、Axolotl、TokenSpeed、Dynamo），不过 Ollama 库里确实已经收录了 Beam，算社区路径半实。官方的说法是「模型是内核，内核之上的基础设施层全开」：部署容器、推理集成、定制管线，四十多个伙伴 Day-0 就位，企业要自蒸馏微调也有官方配方。

最后留一道边。Beam 的基准卡是官方自报，竞争对手的数字引自 Artificial Analysis 和 DataCurve；完整技术报告在发稿时还是「coming」状态；那个 3 到 4 倍的算力节省，官方原文标注的是估算——把 prefill、注意力和服务开销都摊进去的估计，不是实测部署账单。这些边界不影响大局：一张 1M 上下文、Apache 2.0、能打平第一梯队的美国权重，自托管时 API 账单是零——对比榜单上同级闭源模型每百万 token 输入 3 美元、输出 15 美元的价签，企业买家第一次拿到了「同级的聪明」和「花得更少」可以同时成立的选项。