Reflection AI 发布 Beam：5010 亿参数开放权重模型，Apache 2.0 授权，主打编码与长程智能体

Reflection AI 在 2026 年 10 月 16 日宣布 Beam 正式可用，并以 Apache 2.0 许可释出权重。这是一个总参数 5010 亿、每 token 激活 230 亿的稀疏专家混合模型，官方公布 100 万 token 上下文与可调推理强度，面向编码与长程智能体任务。同日亚马逊云科技给出 SageMaker 上的部署路径，Vercel 的 AI Gateway 也上架了该模型的免费档。

这次发布的是什么

Reflection AI 在 2026 年 10 月 16 日通过官方博客宣布 Beam 正式可用，同日把模型权重以 Apache 2.0 许可释出到公开模型平台。这是这家公司的首个开放权重模型，官方给它的定位是高级编码、推理与长程智能体工作负载。

模型本身的几个数字是明确的：它是一个稀疏专家混合结构，总参数 5010 亿，每个 token 激活 230 亿；官方公布的上下文长度为 100 万 token，用于代码、文档与会话历史；推理强度可以调节。能力描述集中在软件工程场景——维护代码、使用工具、解释结果、按中间结果推进多步工作流。

同日还有两条配套的落地路径。亚马逊云科技的官方博客给出在 SageMaker 上的部署方式，Vercel 则在自家的 AI Gateway 上架了 reflection/beam 与 reflection/beam-free 两个模型名，并说明此前它曾以预览形式提供过。

可用性与限制

• 授权：权重以 Apache 2.0 释出，可自托管与再定制；公开模型平台上的仓库需要接受模型条款后才能取用。
• 精度档位：提供 BF16、FP8、NVFP4 三种检查点，另附一个推测解码用的草稿模型；各档体积与硬件要求以官方模型卡为准。
• 云上区域：亚马逊云科技博客写明，发布时通过 SageMaker JumpStart 在美东（弗吉尼亚北部）与美东（俄亥俄）可用；其余区域与后续扩展以官方页面为准。
• 免费额度：Vercel 侧写明由 Reflection AI 提供服务期间、在上线期内免费；活动结束后标准模型名会自动转为按量计费，带 -free 后缀的模型名则停止服务。具体期限与资费以官方页面为准。
• 部署门槛：5010 亿参数需要多卡部署，亚马逊云科技文档点名的实例类型包括 H100、H200（FP8 档）与 B200（NVFP4 档）；实际配额与容量需自行确认。
• 境内访问：权重托管在公开模型平台，能否稳定拉取取决于网络环境；官方同时列出面向本地与隔离环境的硬件伙伴，可否落地以官网为准。
• 费用：自托管、云上部署与商用授权的费用以官方页面为准，本文不写具体金额，也不对可能存在的免费额度下结论。
• 能力边界：本次公布的能力集中在编码与智能体场景，通用对话与多模态是否为首发范围，以官方模型卡为准。

主要功能

• 编码与长程任务：维护代码、调用工具、按中间结果续推多步工作流
• 工具调用：官方写明支持函数调用与结构化输出，便于接外部系统
• 长上下文：官方公布 100 万 token，用于代码、文档与会话历史
• 推理强度可调：按任务难度调整推理开销，不必每件事都跑满
• 自托管与再训练：权重可下载自行部署，官方称支持大规模强化学习后训练
• 终端智能体：配套的 Mirror CLI 可以从终端直接驱动模型

技术原理

这套设计的关键是「容量与算力解耦」。据官方说明，Beam 是稀疏专家混合结构：总参数 5010 亿决定了它能装下多少知识，但每个 token 只激活 230 亿参数，所以单次推理的算力开销远小于同等总规模的稠密模型。这也是它敢把模型做到这个量级、又声称面向速度场景的原因。

第二个点是量化。官方一次性给了 BF16、FP8、NVFP4 三种检查点：BF16 精度完整但显存占用大，FP8 在常见数据中心 GPU 上更均衡，NVFP4 则是给新一代硬件准备的低比特格式。亚马逊云科技文档里把实例类型与精度档位一一对应，说明部署时这两者是绑定选择的，不是随便换。

第三个点是推测解码。官方提到随权重一起发布了一个草稿模型——由小模型先起草、大模型再确认，从而在不改变输出分布的前提下降低每个 token 的等待时间。这类做法在长上下文、长输出的编码场景里收益更明显。

训练侧，官方称在大规模沙箱环境中做强化学习，并把环境标准上游到与 Hugging Face 合作的开源项目 OpenEnv，目的是让外部也能复用同一套训练环境；具体规模与流程细节以官方公开材料为准。

实际体验

这篇不提供第一人称实测，只给出读者可以自己复现的验证步骤。

第一步先确认拿到的是哪个检查点。三种精度格式的体积与硬件要求差别很大，下载前先核对官方模型卡上的版本、量化格式与许可条款，别把量化版当成原始权重。

第二步用自己手头的一个真实任务做对照。挑一个需要「读仓库、改文件、再跑命令」的小任务，观察模型是否能把中间结果接上，而不是只给出一段看着合理的代码。这一步比跑标准题更能看出它在你的项目里是否可用。

第三步验证长上下文。把一份较长的文档与相关代码一起放进请求，再问一个只藏在文档深处的细节，看它是否还能定位到；长上下文本身不代表长上下文可用。

第四步决定部署形态。若只是先试用，走网关的免费档跑小样本最省事，但要留意免费期结束后模型名的行为差异；若要长期自托管，先用亚马逊云科技示例仓库里的最小样例跑通一遍，再评估显存与成本。

项目地址与获取方式

官方公告：https://reflection.ai/blog/beam-is-available

权重：官方称释出在公开模型平台，仓库名与许可条款以官方公告给出的链接为准。

云上部署：https://aws.amazon.com/blogs/machine-learning/introducing-reflection-beam-an-open-weight-model-for-agentic-coding-on-aws/ ，示例脚本在 GitHub 的 aws-samples/sagemaker-genai-hosting-examples 仓库。

网关入口：Vercel AI Gateway 的 reflection/beam 与 reflection/beam-free。

开发者文档：官方指向 developers.reflection.ai，含接口参考与部署指南。

请通过官方渠道获取模型权重与镜像，避免下载被篡改的版本。

适合谁用

• 需要把编码模型放在自有基础设施上的团队：开放权重加可再训练，代码与数据不出内网
• 已有 GPU 集群、要跑长程智能体的工程团队：长上下文与工具调用是这次的主要卖点
• 想先低成本试一试的个人开发者：网关有上线期内的免费档，注意期限与模型名差异
• 不必用的人：只想开箱即用聊几句、没有 GPU 资源、或要的是本次公布范围之外能力的人

常见问题

Beam 的权重是完全开放的吗？

官方称权重以 Apache 2.0 许可释出，可下载、自托管与再定制。不过公开模型平台上的仓库需要先接受模型条款才能取用，商用与再分发的边界以官方许可文本为准。

5010 亿参数的模型，个人开发者跑得动吗？

按亚马逊云科技文档给出的实例类型，这类规模需要多张数据中心级 GPU，个人机器通常只能跑量化档位或走托管端点。想本地试的话，先确认量化格式与显存要求，再决定是否值得投入。

和直接用商用接口相比，自托管意义在哪？

意义在控制权：运行时、部署环境、定制过程都由自己掌握，适合有合规或数据不出网要求的团队。代价是运维与硬件成本，是否划算要看你的调用量与人力投入。

Vercel 上的免费档结束后会怎样？

官方说明分两种模型名：标准名在免费期结束后自动转为按量计费、不中断服务；带 -free 后缀的模型名则会在活动结束时停止服务。若写在生产配置里，建议显式处理这两种情况。

Mirror CLI 是必须用的吗？

不是。它是 Reflection 自己开源的终端智能体工具，官方称 Beam 也在其他流行的开源智能体工具上做过测试。你可以只用权重或接口，不碰 Mirror CLI。

相关工具与内容

• 分类：AI 编程、AI 智能体、AI 对话
• 工具页：Cursor、Claude Code、通义灵码
• 同题材快讯：NVIDIA 发布 Nemotron 3.5 Super VL、Ollama v0.40.3 发布
• 延伸阅读：MCP 官方服务器仓库发布 v1.0.0