快速了解本文
Reflection AI 发布开源模型 Beam，以单次任务 token 效率为核心竞争策略。
Beam 总参数 501B 但活跃参数仅 23B，通过密集强化学习降低无效输出。
采用宽松的 Apache 2.0 许可证，相比 Meta 模型降低了企业使用门槛。
本摘要由 AI 辅助整理，请以正文内容为准。
01发布背景与核心策略
2026年10月16日，Reflection AI 发布了其首个开源模型 Beam 的权重。与当前大模型市场普遍追求的压低 token 单价不同，Beam 的核心竞争策略是提升 token 效率，通过降低单次任务的总 token 消耗，试图在企业 AI 部署成本上与中国开源模型展开差异化竞争。
02架构设计与训练方法
Beam 定位为编程和智能体任务的主力模型，总参数规模达到 501B，但活跃参数仅为 23B。这种架构设计在提供大规模参数容量的同时，有效控制了推理时的计算开销。
实现 token 效率的核心在于其训练方法。Beam 采用了密集强化学习，对模型使用不必要 token 的行为施加惩罚。在为期四周的训练中，Reflection AI 动用了 10,500 块 Nvidia GB300 GPU，完成了超过 1 亿次 rollout，迫使模型学会在解决复杂任务的同时保持输出简短。独立基准测试机构 Artificial Analysis 的早期评估显示，Beam 有望成为同等智能水平下 token 效率最高的开源模型之一。
03性能对比与开源许可
在性能表现上，根据 Terminal-Bench 2.1 测试，Beam 与 Meta 同期发布的 Muse Spark Open 均未超越顶级中国模型。但 Reflection AI 押注企业客户更看重完成任务的总 token 消耗。与 Meta 的 Muse Spark Open（816B 总参数，42B 活跃参数）相比，Beam 的活跃参数更少，Reflection 估算 Muse Spark Open 每个 token 的计算量约为 Beam 的 1.8 倍。
在开源生态与商业化落地方面，Beam 采用了更为宽松的 Apache 2.0 开源许可证。相比之下，Meta 的 Muse Model License 要求衍生产品展示特定标识，并对年收入超过 2000 万美元的 API 服务商提出了额外的协议要求。Beam 的许可协议降低了企业的使用门槛，为其在开源生态中的推广提供了更具包容性的基础。