Reflection AI发布Beam开源模型，称推理算力仅为中国同类模型三分之一

总部位于纽约布鲁克林的AI初创公司Reflection AI于10月5日正式发布其首个前沿开源权重模型Beam。这家成立仅两年的公司宣称，Beam在高级推理基准测试中能够匹配中国领先开源模型的性能，而推理计算量仅为对手的三分之一到四分之一。这一发布可能进一步加剧西方开发者对标DeepSeek、通义千问及Z.ai等中国开源模型的竞争态势。

Reflection AI此次发布也印证了Axios上周末的报道，即该公司即将推出新模型。公司在10月5日发布的长篇博客中披露，Beam是一个纯文本混合专家模型，通过高算力强化学习训练，在推理、编程及智能体任务上表现突出，其token成本和推理时间计算量均远低于同类产品。

Beam拥有5010亿总参数，其中230亿为激活参数。模型在23.8万亿token上完成预训练，上下文窗口达100万token。作为对比，Z.ai的GLM-5.2总参数约为7440亿，激活参数400亿。Reflection AI表示，在高级推理基准上，Beam得分与GLM-5.2相当，并优于当前西方领先的开源模型，同时推理计算量减少3至4倍。

Reflection AI将Beam定位为企业、公共部门和开发者的一款“主力模型”。不过，上述性能数据尚未经过独立第三方验证。

从竞争定位看，Reflection AI同时瞄准三类对手：Anthropic和OpenAI代表的闭源实验室、中国开发者主导的流行开源模型，以及Mistral、Meta和Cohere等西方开源阵营。其最直接的美国竞争对手或许是Mira Murati旗下Thinking Machines Lab于7月发布的开放模型Inkling。

Reflection AI自身基准测试显示，Beam在双方均报告结果的四项编程测试中得分超过Inkling。但Inkling是多模态模型，而Beam仅支持文本，两者在能力维度上并不完全对等。

Reflection AI由两位前谷歌DeepMind研究员于2024年创立。据PitchBook数据，公司已从英伟达、红杉资本和光速创投等投资方处融资约47亿美元，最近一轮融资的投前估值达250亿美元。公司还在持续锁定算力资源。2026年夏季，Reflection AI与SpaceX及Nebius签署了总价值超过70亿美元的协议，以确保在2029年前获得英伟达GB300芯片的使用权。

训练前沿模型需要巨额算力支撑，这是吸引客户从Anthropic、OpenAI等闭源模型以及中国实验室低成本开源模型迁移过来的关键门槛。Reflection AI将Beam及后续模型的目标客户锁定为企业和主权国家，主打概念是“AI工厂”——让机构利用自有专有数据训练Reflection AI的模型，从而构建定制化的本地AI系统。

英伟达CEO黄仁勋长期倡导“AI工厂”理念，并推动强化开放AI生态。这一愿景对英伟达自身同样有利，那些系统将大量依赖其GPU运行。Axios报道称，对冲基金和交易公司对搭建此类系统表现出浓厚兴趣。Reflection AI已在韩国与新世界集团测试主权AI工厂合作模式。

公司表示，将于本月发布Beam的模型权重和完整技术细节，并通过超大规模云服务商及新型云厂商分发，同时在发布时完成与主流开源库的集成。Reflection AI未在TechCrunch截稿前回应进一步置评请求。

Reflection AI的入场时点耐人寻味。中国开源模型过去一年多以“低成本、高性能”持续冲击西方闭源阵营，DeepSeek、通义千问等模型让硅谷感受到实实在在的压力。Beam的卖点不在于绝对性能超越，而在于用更少的推理算力做到接近水平，这恰好切中了企业部署时最敏感的成本神经。

英伟达在这笔交易中扮演了双重角色。它既是Reflection AI的投资方，又是算力供应商，还是“AI工厂”叙事的最大受益者。模型越开源、越普及，对GPU的需求就越分散且持续，这与英伟达的商业逻辑高度吻合。Reflection AI与SpaceX、Nebius锁定至2029年的芯片协议，本质上是在为这场长跑提前囤积弹药。

但开源权重模型本身的商业闭环始终是个难题。Reflection AI把筹码押在“主权AI”和企业定制上，让客户用自己的数据训练专属系统，这既可以避开与通用大模型巨头的正面价格战，又能把英伟达的硬件生态更深地嵌入各国数字基础设施。韩国新世界集团的合作测试，就是这一路径的早期样本。

前阵子帮朋友的初创公司看本地部署方案，跑了一个刚发布的小模型，显卡风扇转得呼呼响，屏幕上的光标一闪一闪往外吐字，等一段代码补全，手边的咖啡已经凉透。那会儿觉得能本地跑起来就很了不起了，参数不敢贪大，上下文开到几万就得掂量显存。后来翻资料才知道，往前数年，企业想自己搭一套智能系统，得从头训练、自己标注、自己调参，门槛高得让多数团队直接放弃。现在Beam张口就是5010亿参数、100万token上下文，还说要让机构拿自家数据训出专属模型。当年那种自己动手搭系统的笨办法，反倒成了眼下最时髦的AI工厂。唉，折腾一圈，最实在的路子还是最早那条。

从参数规模看，Beam介于中国头部开源模型与美国主流开放模型之间。它没有选择单纯堆参数去争性能榜首，而是把功耗和推理成本摆在了更靠前的位置。这一取舍能否被市场认可，本月权重正式发布后的开发者反馈将是第一道检验。开源模型的竞争，正在从“谁更强”转向“谁更划算”。