你让 AI 完成一项复杂编程任务，它不只要写代码，还要反复试运行、查看报错，再决定下一步。模型越大，通常越有能力，但每次回答都动用全部参数，成本也会随之升高。Reflection AI 在 10 月 5 日公布的 Beam，试图换一种取舍：模型共有 501B（5010亿）参数，每次只激活 23B（230亿），目标是以较少的推理计算处理编程、推理和 Agent 任务——也就是让 AI 自己拆解步骤、调用工具并根据结果继续行动。
不过，“Beam 开源”目前仍是一张预告。公司称，模型还在进行最终红队测试和评估，目前只开放 early access 登记；权重、技术报告、model card 和开发者材料计划在 10 月稍晚发布。本文涉及的规模与效果数字，也都来自 Reflection AI 单方面披露，尚无独立验证。
501B，不等于每次都用501B
Beam 采用稀疏 MoE（Mixture-of-Experts，混合专家）架构。可以把它理解成一个拥有许多专科成员的团队：总团队很大，但处理一个问题时，只叫来最相关的一部分人。因此，501B 是模型储存的总参数量，23B active 则是一次计算实际启用的参数量。
这也是 Beam 最值得关注的地方。它没有简单地在“模型越大、计算越贵”这条线上继续加码，而是用稀疏激活在容量与成本之间折中。Reflection AI 将它定位为 coding、reasoning 和 agentic workloads，即编程、推理和需要连续操作工具的任务。模型最大上下文长度为 256K tokens；token 是模型处理文字时切分出的基本单位。
公司称，Beam 在预训练阶段使用了 23.8 trillion（23.8万亿）个 token，来源包括网络数据和专有授权数据集。预训练是模型先从大规模材料中学习语言与知识模式的阶段，相当于打基础。
真正昂贵的是后半程
Beam 的另一项重点是强化学习——模型尝试解决任务，再依据奖励信号调整行为。Reflection AI 称，这轮训练动用了 10.5K（1.05万张）NVIDIA GB300 GPU，持续四周，生成超过 100 million（1亿）条 rollouts。rollout 可以理解为模型从接到任务到尝试完成任务的一整段行动记录。
训练和评分还使用了约 1.3 billion（13亿）个 sandbox。sandbox 是隔离的运行空间，模型可以在里面执行代码或操作工具，而不影响外部系统。公司另准备了 one million（100万）个编程、Agent 和 STEM——科学、技术、工程与数学——环境。
大规模并行训练也带来一个麻烦：模型一边更新，一边仍在学习较早版本生成的记录，旧记录可能已经“过时”。Reflection AI 称，其新算法能让全异步强化学习保持稳定，甚至可以继续利用一天多以前产生的交互，但目前没有公开足够细节供外界复核。
少想几步，也可能答得更好
团队还加入了可控的长度惩罚：答对会得到奖励，不必要的输出则受到抑制。官方称，强化学习早期，Beam 的答案变短，表现反而提高；后期随着 Agent 能力增强，输出又变长，但新增 token 带来了进一步提升。用户可以通过 reasoning effort 参数选择推理强度，在回答长度、效果和计算预算之间取舍。
Reflection AI 还声称，Beam 在高级推理基准上达到与 GLM-5.2 相当的成绩，同时少用 3至4倍推理计算；在编程和 Agent 任务上可与 GLM 5.2 竞争，并接近 Qwen 3.8-Max。公司也承认，Kimi K3 的原始能力仍然领先。由于完整基准表、测试设置和推理预算尚未公开，这些比较目前只能视为厂商自述；材料中“GLM 5.2”与“GLM-5.2”的型号写法也不统一。
为什么这次发布有分量
Beam 把高端稀疏模型竞争推进到了开放权重一侧。开放权重意味着训练完成后的参数可供下载和运行，但不等于完整开源：许可证、训练代码和完整数据是否开放，仍要分别判断。
更关键的是，Beam 把竞争焦点从“总共有多少参数”转向“每次回答实际花多少计算”。如果后续材料能支持官方给出的能力与效率数据，501B 总参数、23B 激活参数的组合，可能成为企业部署编程和 Agent 模型时很有吸引力的折中。
局限与未知
- 权重尚未正式发布，许可证、训练代码、数据开放范围也未披露。
- 能力和效率比较缺少完整技术报告、基准设置及独立复测，暂不能坐实。
- 训练规模、数据量和基础设施数字均来自 Reflection AI，同样有待外部验证。