Beam：莫问前程路，但行致远方
基本情况
2026 年 10 月 5 日，Reflection AI 交出 Beam。501B 总参数、23B 激活参数、1M 上下文、Apache 2.0 协议，一份从零开始的开源权重。这是该公司在榜单上的第一个模型——没有前代，没有迭代曲线可画。当 Kimi 已经从 K2.5 迭代到 K3、GLM 从 5.1 排到 5.3 时，Reflection AI 走了另一条路：憋半年，只交一份协议干净的权重。
横向看参数配置，Beam 在当下开源阵营里几乎是最好看的一个：
| 模型 | 厂商 | 总参数 | 激活 | 上下文 | 协议 |
|---|---|---|---|---|---|
| Beam | Reflection AI | 501B | 23B | 1M | Apache 2.0 |
| Nemotron-3-Ultra | NVIDIA | 550B | 55B | 1M | MIT |
| GLM-5.3 | 智谱 | 753B | 40B | 1M | Custom |
| Kimi K3 | 月之暗面 | 2.8T | 104B | 1M | Custom |
| Qwen3.8-Max | 阿里 | 2.4T | 95B | 1M | Custom |
这份克制是有见识的。Nemotron-3-Ultra 参数规模相近，激活量却是 Beam 的 2.4 倍；其余几家 2T 级别的模型激活量都在 95B 以上。推理时只跑 23B，在 1M 上下文这种场景下，成本差会被成倍放大。
排名方面，截至 10 月 13 日快照，Beam 综合榜第 50 名（113 个参评模型），胜率 57.6%，覆盖 17 项基准。这个成绩需要换一个坐标系——同样参评综合榜的开源模型：
- Kimi K3 第 17 名，胜率 82.6%，覆盖 45 项
- GLM-5.3 第 21 名，胜率 81.2%，覆盖 36 项
- Step 5 Preview 第 22 名，胜率 81.2%，覆盖 28 项
- DeepSeek-V4.1-Flash 第 27 名，胜率 76.3%，覆盖 27 项
- Qwen3.8-Max 第 30 名，胜率 73.2%，覆盖 42 项
- Beam 第 50 名，胜率 57.6%，覆盖 17 项
- MiniMax-M3 第 67 名，胜率 43.3%，覆盖 28 项
- Inkling 第 77 名，胜率 33.0%，覆盖 13 项
- Nemotron-3-Ultra 第 93 名，胜率 17.9%，覆盖 14 项
Beam 夹在 GLM-5.2（第 45 名）和 MiniMax-M3（第 67 名）之间，比 Inkling、Nemotron-3-Ultra 强出一大截，但距 Kimi K3 还有 25 个名次。这 25 名的成因，一半在能力，一半在覆盖度。
优势
编程：越难的题越稳
Beam 在代码基准上有一个反直觉的特点——难度越高，分数越好看。
| 基准 | Beam | GLM-5.2 | Kimi K3 | Qwen3.8-Max | Inkling | Nemotron-3-Ultra |
|---|---|---|---|---|---|---|
| SWE-Bench Verified | 80.9 | 84.2 | — | — | 77.6 | 70.7 |
| SWE-Bench Pro v1 | 65.5 | 62.1 | — | 67.7 | 54.3 | 46.4 |
| SWE-Bench Pro v2-Hard | 77.2 | — | 88.2 | — | 56.9 | — |
| SWE-Bench Multilingual | 78.0 | 83.0 | 80.8 | 82.6 | — | 67.7 |
| DeepSWE 1.1 | 44.4 | 46.2 | 68.0 | 56.6 | — | — |
在最接近刷题难度的 SWE-Bench Verified 上，Beam 的 80.9 输给 GLM-5.2 的 84.2。换到带真实需求的 SWE-Bench Pro v1，Beam 反超 GLM-5.2（65.5 vs 62.1）；再换到 v2-Hard，Beam 拿到 77.2，比同批的 Inkling 高 20.3 分，比 Nemotron-3-Ultra 在 Pro v1 上的 46.4 高出 19.1 分。
这条曲线说明 Beam 在复杂真实代码库上的处理能力确有优势，而不只是刷公开测试集。对比 Inkling 和 Nemotron-3-Ultra 这两个同参数量级的开源模型，差距不是能力型的，是断崖式的。
数学推理：AIME 2026 逼近满分
Beam 的 AIME 2026 得分 97.8，同批对比里 Inkling 是 97.1、GLM-5.2 是 99.2——第一梯队。GPQA Diamond 上 Beam 拿到 90.5，落后 GLM-5.2 的 91.2 不到 1 分，也落后 Kimi K3 的 93.5 和 Qwen3.8-Max 的 93.0，但仍处在所有对比模型的中上水平。
SciCode 的 49.7 略低于 GLM-5.2 的 50.5 和 GLM-5.3 的 59.0，与 GLM-5.3-Flash 的 52.0 同档。考虑到 Beam 只报了 17 项基准（Kimi K3 报了 45 项），这个信息密度已经相当实。
指令遵循与长上下文：中规中矩但不出错
AA-LCR 79.3，与 Nemotron-3-Ultra 的 79.3 完全持平，落后 GLM-5.3 和 GLM-5.3-Flash 的 80.0 不到 1 分。Beam 是 1M 上下文，这个成绩属于”长上下文能力达标”，没有超出预期。
IFBench 79.7 是另一处亮点——与 Inkling 的 79.8 几乎持平，超过 GLM-5.2 的 78.0，落后 Nemotron-3-Ultra 的 81.7 和 Qwen3.8-Max 的 82.8。指令遵循这条线上它属于第一方阵的中段。LongBench v2 上 66.9 小胜 Qwen3.8-Max 的 66.3 和 GLM-5.2 的 64.0，说明超长文本检索这条线上有底子。
Apache 2.0：开源阵营的稀缺品
这是 Beam 最被低估的一点。看上面的协议一栏：GLM-5.3、Kimi K3、Qwen3.8-Max 全是 Custom 协议——技术上开源，商用条款却要单独谈。Beam 是唯一一个纯 Apache 2.0 的模型（Nemotron-3-Ultra 是 MIT，同样宽松但不如 Apache 2.0 通用）。
对于要把它嵌进商业产品的团队，这个差别是决定性的。Custom 协议往往意味着要申请、要审批、要承担额外条款，而 Apache 2.0 拿来就用。配合 23B 的激活量，Beam 是这份名单上”能直接商用且成本可控”的少数选项。
不足
极限推理是硬伤
Beam 的 HLE 只有 36.2，在对比阵营里垫底：
| 基准 | Beam | Kimi K3 | Step 5 | GLM-5.3 | Qwen3.8-Max | GLM-5.2 |
|---|---|---|---|---|---|---|
| HLE | 36.2 | 47.0 | 46.5 | 42.3 | 43.6 | 41.0 |
| HLE w/ tools | 51.2 | 59.8 | 59.4 | 62.5 | 56.2 | 54.7 |
| SciCode | 49.7 | 59.0 | 59.0 | 59.0 | 53.0 | 50.5 |
| CritPt | 16.3 | 23.4 | 21.0 | 19.1 | 20.0 | 21.0 |
HLE 比最高的 Kimi K3 低 10.8 分；加工具后回升到 51.2，但对比 Kimi K3 的 59.8 和 GLM-5.3 的 62.5，仍差 8.6 分以上。CritPt 的 16.3 落后 Kimi K3 的 23.4，SciCode 的 49.7 落后 GLM-5.3 的 59.0 达 9.3 分。
不能凭空归因，但从分数分布能看出一个模式：Beam 在有明确验证信号的任务上（代码、数学）表现正常，在需要长链条推理的任务上偏弱。这是训练数据里”慢思考”样本密度不足的典型形状。
Agent 工具调用是最大缺口
这是 Beam 整张卷子的伤疤：
| 基准 | Beam | Kimi K3 | Qwen3.8-Max | GLM-5.2 |
|---|---|---|---|---|
| DeepSearchQA | 80.1 | 95.0 | — | — |
| BrowseComp | 77.4 | 91.2 | — | — |
| MCP Atlas | 78.7 | 84.2 | 84.5 | 82.6 |
| τ³-Banking | 38.0 | 46.0 | 55.2 | 37.1 |
| AutomationBench | 37.0 | 46.7 | 39.8 | 26.2 |
BrowseComp 上差 Kimi K3 13.8 分，DeepSearchQA 差 14.9 分，τ³-Banking 差 Qwen3.8-Max 17.2 分。MCP Atlas 的 78.7 算不上差（GLM-5.2 是 82.6、Inkling 76.0），但放到 Kimi K3 的 84.2 面前仍显单薄。
这组分数说明 Beam 会写代码、会做数学，但不太会自己找资料、调工具、把多步任务串起来。2026 年下半年的竞争重心正在从”会答题”转向”会干活”，Beam 站在了交界线的这一侧。
代码库理解偏弱
SWE Atlas Codebase QnA 上 Beam 只有 34.6，这是代码基准里唯一的失分项：Kimi K3 是 68.0、GLM-5.3 是 61.0，差距分别是 33.4 分和 26.4 分。
DeepSWE 1.1 的 44.4 同样落后，Kimi K3 是 68.0（差 23.6 分），Qwen3.8-Max 是 56.6，GLM-5.2 是 46.2——Beam 甚至没能超过 GLM-5.2。
对比之下 Beam 在 SWE-Bench Pro 这类”修 bug”任务上能拿 65.5 到 77.2，但在”读懂整个代码库”这类理解任务上只有 34.6。改代码强，理解代码弱，这是它作为补丁型选手的清晰画像。
覆盖度限制排名上限
Beam 只报了 17 项基准，Kimi K3 报 45 项、Qwen3.8-Max 报 42 项、GLM-5.2 报 53 项。榜单胜率建立在双方共同覆盖的项目上，Beam 的 57.6% 是在这 17 项上算出来的，和 Kimi K3 的 82.6%（45 项）不在同一把尺子上。
这是客观的数据缺失，不是能力短板，但它确实把 Beam 能被验证的上限压住了。
酥悠沫评
开源这条路上，Beam 是一个很矛盾的存在。
它的参数配置在当下开源阵营里几乎是最漂亮的：501B 总参数、23B 激活、1M 上下文、Apache 2.0。Nemotron-3-Ultra 用 550B 参数换 55B 激活，Kimi K3 和 Qwen3.8-Max 直接上到 2T 级别、激活量近百 B——Beam 是这张表上唯一把激活量压到 25B 以内的。这份克制有见识：推理成本才是落地时真正的账单，参数竞赛的账面数字不进采购清单。
但成绩单上，它排第 50。
我一直觉得，评测榜单最残酷的地方不是分数低，而是它诚实地告诉你短板在哪。Beam 的 22 项分数摊开来看，画像极其清晰：代码 Agent 是主场，数学是长板，Agent 自主性和极限推理是两块空地。
这两块恰好构成了 2026 年竞赛的两条主线——一条是把模型做成更好的”工具”，一条是做成更好的”人”。Beam 押在了第一条上。
这不是错判。DeepSeek-V4.1-Flash 押的也是同一条路（第 27 名，胜率 76.3%），而它比 Beam 高 23 个名次，因为 DeepSWE 上的 74.2 和 τ³-Banking 上的 30.8 都比 Beam 扎实得多。押对方向不难，把方向走深才难。
刘禹锡写”莫问前程路，但行致远方”时，未必想过这句诗会被用来形容一个 501B 的模型。但放在这里意外地贴切：Beam 现阶段的问题，恰恰是它还站在”行”的阶段，而”致”的那一段——Agent 能力、极限推理、代码库理解——都还没走到。
不过有一点必须说清楚。Apache 2.0 这四个字，在当前的开源生态里，比任何一次刷榜都稀缺。GLM 的 Custom、Kimi 的 Custom、Qwen 的 Custom，都不是”不能商用”，而是”要谈”。Beam 是这份名单上唯一不需要谈的模型。
2026 年下半场比赛才刚开始。四个月前 Inkling 发布时，同一份对比表上还看不到 Beam；今天它站在 Nemotron-3-Ultra 前面 43 个名次。下一个四个月，它会站在哪里？
这需要时间来回答。而时间，是开源模型最公平的朋友。
- 综合榜单：https://suyoumo.github.io/llm-leaderboard/