美國開放模型初創 Reflection AI 於香港時間十月六日凌晨發布首個開放權重模型 Beam：稀疏混合專家（MoE）架構、總參數五千零一億、每個詞元只啟用二百三十億，主打程式編寫、推理與代理（agent）工作。官方表示模型正進行最後紅隊測試，先開放候補名單試用，並將於本月內以 Apache 2.0 授權釋出權重、技術報告與模型卡。
官方數據顯示，Beam 在 SWE-bench Verified 取得八十點九分、Terminal-Bench 2.1 取得八十點一分；強化學習階段動用一萬零五百枚 NVIDIA GB300 GPU 連續四周、產生逾一億次 rollout。Reflection 承認 Kimi K3 等更大型開放模型在原始能力上仍然領先，Beam 的賣點是推理算力效率：同級推理任務聲稱只需 GLM-5.2 約三分一至四分一算力。對香港企業而言，這是一個可商用、可自行部署的非中國開放權重選項。
Reflection／官方：發布首個開放權重模型 Beam——五千零一億參數 MoE、每詞元啟用二百三十億；本月以 Apache 2.0 釋出權重
由 NVIDIA 支持的 Reflection AI 於美國時間十月五日在官方網站發表長文〈Introducing Beam: Reflection’s 501B open-weight model〉，正式公開旗下首個模型。彭博同日以「Nvidia 支持的 Reflection 推出開放 AI 模型、挑戰中國」為題報道。本文內容已逐項核對 Reflection 官方發布原文（包括基準表、訓練規模與授權安排），來源真實性已驗證；所有基準分數均為 Reflection 自行公布或引用第三方的數字，尚待權重公開後由外界獨立重測。
本文重點：Beam 的規格與狀態、高算力強化學習的做法、與中國開放模型的比較、企業與香港市場的實際用法，以及需要留意的地方。
一、核心事件：Beam 是甚麼
技術細節
- 架構：稀疏混合專家模型，總參數五千零一億（501B），每個詞元啟用約二百三十億（23B）；共五十二層，交錯使用局部與全域注意力。
- 預訓練：以二十三點八萬億（23.8T）詞元訓練，來源包括網頁、公開資料及授權專有數據集；在六千一百四十四枚 NVIDIA GB300 NVL72 GPU 叢集上用不足四周完成，期間只作九次半自動回退，後段有效訓練時間比例（goodput）達百分之九十二點三。
- 中段訓練：把有效上下文長度延伸至一百萬詞元，為長流程代理任務鋪路。
- 強化學習：一萬零五百枚 GB300 GPU 連續四周，產生逾一億次 rollout，單次最長上下文二十五萬六千詞元，訓練與評分共用上約十三億個沙盒；環境池接近一百萬個程式、代理與理工科任務。
- 模態：只處理文字；圖像等資料須先轉為文字才可使用。
- 發布狀態：正進行最後紅隊測試與評估，先向少數用戶開放候補試用；官方承諾本月內以 Apache 2.0 授權釋出權重，連同技術報告、模型卡、說明文件及運行、評測、微調的完整工具鏈，並會配合多個分發夥伴上架。
二、技術原理深度解析
1. 把強化學習當作主要的擴展方向。 Reflection 指出，隨着強化學習算力增加，Terminal-Bench、HLE 與 DeepSWE 分數持續上升，「未見平台期」。訓練期間平均同時運行十一萬個 rollout，最高同時開啟十七萬個沙盒，九成新沙盒於十秒內就緒；新權重推送至推理機隊的中位時間約十二秒。期間發生七十一宗推理故障，均無需中止訓練。
2. 完全非同步訓練與「策略陳舊」問題。 長 rollout 的前段詞元可能由較舊的權重版本生成，令學習不穩定。Reflection 為每個詞元標記生成版本，並開發新演算法處理陳舊度及訓練與推理引擎之間的數值差異；官方圖表顯示，即使樣本落後一百零七個權重版本（約一天），數值仍保持穩定。
3. 推理長度可調。 訓練時加入可控的長度懲罰，獎勵正確答案、壓抑多餘詞元。用戶可透過「reasoning effort」參數，在回應長度與表現之間取捨，按任務及算力預算調節。
4. 穩定的 MoE 底座。 在 DeepSeek 提出的無輔助損失負載平衡基礎上，加入專家偏置更新的餘弦衰減及序列級平衡；官方稱預訓練結束時最繁忙專家的負載只是平均值的一點零四倍，讓所有專家都能被強化學習充分利用。
5. 安全對齊。 另以同一預訓練檢查點訓練一個專門的安全對齊「老師模型」，再與大型強化學習老師以多老師在策略蒸餾（MOPD）合併；安全訓練採用「審慎對齊」（deliberative alignment）方法，把安全政策寫進模型的推理過程。官方表示會在技術報告公布安全評測結果，並開源內部安全評測。
三、日常應用場景
1. 開發者與技術團隊
官方基準表中，Beam 的 SWE-bench Verified 為八十點九、SWE Bench Pro v1 為六十五點五、Terminal-Bench 2.1 為八十點一、MCP Atlas 為七十八點七、BrowseComp（配合上下文管理）為七十七點四。這組分數主要面向「讀 repo、改程式、跑終端機、呼叫工具」的代理工作流。官方示範包括接駁 OpenCode 編寫 Gemma-4 微調筆記本，以及用公開資料建立紐約地鐵即時地圖。
2. 企業與隱私敏感行業
Apache 2.0 屬寬鬆授權，可商用、可修改、可在私有雲、本地機房以至離線環境部署。對銀行、保險、律師行及醫療機構而言，代碼與文件可留在自己的機房，而不必傳送到第三方 API。不過要留意：五千零一億參數以每參數一字節粗略估算，單是權重已約五百 GB，實際部署通常需要多卡伺服器或量化版本，成本須按實際負載計算。
3. 一般用戶
Beam 本身不是消費級聊天應用；一般用戶較可能透過分發夥伴的平台或第三方工具間接接觸它。官方表示 Reflection 亦會以自家 API 平台提供服務。
4. 香港與亞洲市場視角
過去一年，開放權重前沿大多由中國模型主導——官方比較表亦以 GLM 5.2／5.3、Kimi K3、Qwen 3.8 Max 及 DeepSeek V4.1 Flash 作對照。其中 Kimi K3 的 Terminal-Bench 2.1 為八十八點三、DeepSeek V4.1 Flash 為九十點六，均高於 Beam。對有美資背景、須回應客戶或監管機構「模型來源」查詢的香港企業（例如外資銀行、跨國專業服務公司），一個美國出品、Apache 2.0 授權的開放權重模型，多了一個合規上較易解釋的選項；而本地團隊亦可以在同一套私有部署架構中，按任務並用中美不同的開放模型。
四、專業評價與潛在考量
優勢
- 授權清晰：Apache 2.0 可商用，比部分附加使用條款的開放模型更易進入企業採購流程。
- 算力效率：只啟用二百三十億參數，官方稱高階推理題目上表現接近 GLM-5.2，但推理算力只需約三分一至四分一；與二萬億參數級別模型相比，差距更大。
- 工程透明度高：發布文已詳列訓練規模、故障處理及資料處理方法，並承諾公開技術報告與安全評測。
需要留意的地方
- 權重尚未公開：目前只有官方公布的分數，外界未能獨立重測；算力比較屬官方以「二乘啟用參數乘生成詞元」的估算，不計預填與服務開銷，並非實測成本。
- 原始能力未到頂：官方亦承認 Kimi K3 等模型仍然領先，部分基準更落後於 DeepSeek V4.1 Flash。
- 只支援文字：需要讀圖、讀掃描文件的工作流，須另配 OCR 或多模態模型。
- 硬件門檻：總參數五千零一億，自行部署的記憶體與 GPU 需求遠高於二百三十億啟用參數給人的印象。
結語
Beam 是美國陣營少數以「前沿規模、寬鬆授權、完整工具鏈」一併推出的開放權重模型，重點不在全面超越中國對手，而在以較低推理算力提供足以應付程式與代理工作的能力。權重預計本月內公開，屆時第三方重測與量化版本的表現，將決定它能否成為企業私有部署的主力選擇。
如需在香港把這類開放權重模型部署在自己的機房、確保數據不出境，可參考 YSK Limited 的企業私有 LLM 全託管（年費 HK$88,000 起，https://ysk.hk/services/ai-automation）；若想先在本機以 OpenAI 相容介面試用 Hugging Face 權重，可參考 MIT 開源的 YSK Omni v1.0.2（預設埠 3850，GGUF 走 llama-server、safetensors 走 vLLM，https://ysk.hk/products/ysk-omni）。
參考來源
- Reflection AI 官方：Introducing Beam: Reflection’s 501B open-weight model（2026-10-05）— https://reflection.ai/blog/introducing-beam
- Reflection AI 官方新聞室 — https://reflection.ai/news
- 彭博：Nvidia-Backed Reflection Unveils Open AI Model, Taking on China（2026-10-05）— https://www.bloomberg.com/news/articles/2026-10-05/nvidia-backed-reflection-unveils-open-ai-model-taking-on-china
- 發現來源：Bloomberg Technology RSS