Reflection首款模型Beam登榜：美国开源权重第二，智能指数30分只花对手一半输出token
核心概要
Reflection发布首个模型Beam，一个总参数501B、激活23B的开源权重模型，在Artificial Analysis智能指数上得30分，位列美国开源权重模型第二，仅次于Meta的Muse Spark Open（39分），高于前一日发布的NVIDIA Nemotron 3.5 Super VL（26分）。它每个智能指数任务约用26k输出token，约为领先一分的K2 Horizon（31分）的一半，但专有模型仍居前沿，GPT-6 Astra（max）在同一预算下得53分。
深度剖析
美国开源权重模型榜单上出现了一个新的第二名，它来自此前没有发布过模型的Reflection。 此前该位置由本周陆续发布的模型占据，Meta的Muse Spark Open以39分居首，NVIDIA的Nemotron 3.5 Super VL以26分紧随。 Beam在Artificial Analysis智能指数上得30分，高于Nemotron 3.5 Super VL的26分，低于Muse Spark Open的39分；在中国以外的开源权重模型中，只有Muse Spark Open和来自阿联酋的K2 Horizon（31分）得分更高。
Beam把智能水平建立在更少的输出token上，用约一半的生成量换到与K2 Horizon相近的分数。 K2 Horizon比Beam高一分，但每个智能指数任务约用52k输出token，是Beam的两倍。 Beam每个智能指数任务约用26k输出token，其中约19k用于推理、约7k用于作答，最终答案只占输出的26%，在智能指数v4.3测试过的219个模型中属于第28低的比例。
能力分布并不均匀，自动化任务表现突出，终端任务明显偏弱。 在AutomationBench-AA上，Beam比K2 Horizon高11个百分点，与Qwen3.8 27B基本持平；在Terminal-Bench 4.0上则落后于这两个对手。 Beam在AutomationBench-AA得48.5%，K2 Horizon为37.2%，Qwen3.8 27B为48.2%；Terminal-Bench 4.0上Beam为3.0%，Qwen3.8 27B为5.6%，Muse Spark Open为8.1%。
知识问答的正确率提高，同时编造答案的比例也更高，净得分仍领先同类开源模型。 K2 Horizon和Qwen3.8 27B的答对率更低，但幻觉率也更低。 在AA-Omniscience上Beam答对33%，K2 Horizon为18%，Qwen3.8 27B为16%；Beam的幻觉率为47%，对手分别为26%和30%，净指数得分为1.5，对手为−3.0和−10.0。
启示与展望
这则报道面向关注模型评测与部署成本的研究人员和工程师，覆盖的是Artificial Analysis智能指数及其子项上的公开成绩。Beam为开源权重模型，总参数501B、激活23B，上下文窗口1M token，模态为文本。在Artificial Analysis Cyber Index上它完成34%的任务，是已测试的美国开源权重模型中最高的；在Reflection的开源命令行工具Mirror中运行，Beam在编码智能体指数上得28分。
Beam的幻觉率为47%，高于K2 Horizon的26%和Qwen3.8 27B的30%，其净指数得分1.5是在扣减之后仍领先。终端任务是其弱项，Terminal-Bench 4.0仅3.0%，AA-Briefcase为976 Elo。编码智能体指数上它落后下一套配置15分、落后领先者40分。专有模型仍设定前沿，GPT-6 Astra（max）在同一token预算下得53分。