🎯 开源大模型

501B 里只用 23B：这一轮比的是「省」

Beam 的体量和 Mistral Large 4 差了一个量级，但思路一致：总参数撑能力，激活参数控成本。5010 亿总参数里，每个 token 只激活 230 亿。Reflection 的核心主张不是「我最大」，而是「我同等聪明但更便宜」——它说 Beam 在高级推理基准上能打平 Z.ai 的 GLM-5.2，推理算力只要后者的三分之一到四分之一；对超过两万亿参数的模型（比如 Qwen 3.8-Max）优势更大。公司自己也承认，在绝对能力上 Kimi K3 仍然领先——这句话挺坦诚，也说明开源阵营现在的竞争焦点确实是效率。

四周、上万张 GB300、上亿次 rollout

训练细节比数字更有信息量。预训练用了 23.8 万亿 token，端到端不到四周完成，集群规模是 6144 张英伟达 GB300 NVL72（强化学习阶段的报道口径为 10500 张）；强化学习阶段生成了超过 1 亿次 rollout，平均维持 11 万个并发 rollout，峰值支持 17 万个并发沙箱，全过程处理了超过 10 亿次沙箱创建请求，横跨 20 多个集群、两朵云、四个区域。训练期间权重对外下发的中位时间是约 12 秒；遇到 71 次推理故障都没有中断训练；九次半自动回滚，原因是梯度范数尖峰或疑似静默数据损坏。数据侧的说法也很具体：原始互联网 token 有约 95% 被淘汰，但他们认为常规过滤手段会漏掉约 1.8 万亿高质量 token，其中包括 87% 的精选网页代码数据。

自报成绩单要打折看，但方向值得记

官方给出的分数是：Terminal Bench v2.1 80.1、SWEBench Verified 80.9、SWE Bench Pro v2-Hard 77.2、AIME 2026 97.8、Humanity's Last Exam（无工具）36.2、GPQA Diamond 90.5。这些都是自报数据，且未附完整基准表，第三方独立复测还没出来，所以现在只能当方向参考。两个小细节倒是挺说明问题：第一，它提供了一个可调的「推理力度」参数，你可以用更少的 token 换更短的答案；第二，在强化学习过程中，虽然没训练浏览任务，浏览能力自己涨了——有网的时候它还学会了自己去问别的模型、调 OCR 接口读文档。权重、技术报告和模型卡计划本月晚些时候以 Apache 2.0 放出，目前只对少量受邀用户开放早期版本。