你让 AI 接手一个大型软件项目：先读需求和代码，再查资料、运行命令、修复报错，最后提交结果。它可能每一步都像样，却在几十步之后忘了最初目标。Beam 1.0 想解决的正是这种问题：让模型在漫长流程里持续推理、调用工具，并尽量少花推理 token——模型处理文字的基本单位。
这次更值得看，因为 Beam 已从预告走到实际开放权重。我们在 10 月 7 日报道它时，权重、技术报告和许可证还没有落地；现在，Reflection 已放出 BF16、FP8 和 NVFP4 三种指令微调权重。开放权重意味着模型参数可以下载和运行，但不等于训练数据、训练代码及全部开发过程都已公开。
501B 很大，但每次只动用 23B
Beam 面向编程、长程 Agent 工作流，以及数学和科学推理。Agent 可以理解为能围绕目标连续采取行动的 AI 系统，例如调用命令行、浏览网页或连接外部工具。长程任务的难点不只是答对一道题，而是在许多步骤和中间结果之间不偏航。
Beam 采用稀疏 MoE（Mixture of Experts，混合专家）架构。可以把它想成一家拥有许多专科部门的机构：总能力储存在整个组织里，但处理一项任务时，只调动少数相关部门。官方模型卡给出的精确规模是 501.3B 总参数、每个 token 激活 23.4B 参数，共 52 层，其中 3 层是 dense——每次都会参与计算的稠密层，49 层是 MoE；模型包含 256 个“专家”。因此，“501B 模型”并不意味着每生成一个 token 都要调用全部 501B 参数。
它还提供 1M-token 上下文窗口，也就是一次能够读取和参考的文字上限。长窗口可以装下更多代码、文档和行动记录，但“装得下”不等于“每处都能用得好”，真实的长文本利用能力仍要单独测试。
三种权重，换的是部署账本
BF16、FP8、NVFP4 是精度和资源开销依次降低的数值格式。Reflection 同时发布三种版本，是让部署者按硬件容量、速度和精度需求取舍，而不是简单宣布低精度版本全面更强。
官方数据也显示，结果会随任务变化。以软件任务为例，BF16 在 DeepSWE v1.1、Terminal Bench v2.1 和 SWEBench Verified 上分别得到 43.3%、80.1% 和 81.6%；但在 SWE Bench Pro v2-Hard 上，NVFP4 的 78.6% 又高于 BF16 的 76.5%。FP8 在 AIME 2026 数学评测上为 98.0%。这些数字均来自 Reflection 模型卡，材料没有提供完整评测配置或第三方复现，因此更适合视作官方自测，而非已经坐实的领先结论。
Beam 还支持 configurable reasoning effort——让使用者调节模型投入多少推理；function calling——按规定格式调用外部函数；以及 structured outputs——按预设结构返回结果。模型以 Apache 2.0 许可证发布，主要面向英语开发，知识截止日期为 2026 年 6 月 30 日。
真正的赌注是“做久”，不只是“答快”
Reflection 强调 token-efficient reasoning，即用更少推理 token 完成任务。其模型卡称，Beam 达到与领先开放模型相近的解题质量时，推理 token 可少约三倍。不过材料没有说明具体对手、推理预算和统计误差，这仍是有待验证的官方主张。
这条路线也延续了 Reflection 联合创始人 Ioannis Antonoglou 的经历。据 Sequoia Capital，他曾参与创造 AlphaGo；后来把类似的强化学习思路用于 Beam，让模型在可验证的软件、终端和工具环境中反复试错。Reflection 官方称，训练团队四周内调动约 1.05 万张 NVIDIA GB300，生成逾一亿次 rollout——模型尝试任务的完整过程，并运行约 13 亿个隔离沙箱。训练长程 Agent，本身先成了一场大规模、长流程的系统工程。
局限与未知
- 官方成绩尚无材料所示的独立复现，尤其不能据此确认 Beam 已在长程 Agent 任务上领先。
- 1M-token 窗口说明容量，不直接证明模型能稳定找回并利用超长上下文中的关键信息。
- 当前材料没有显示训练数据、训练代码或完整训练流程已经开放；OpenRouter 目前也不支持其 EU in-region routing。