Reflection AI 发布了 Beam，这是一款开放权重模型，采用混合专家架构，总参数量 501B，每个 token 激活参数约 23B。该设计在保持较大常驻权重占用的同时，将每次前向传播的计算量限制在激活的专家上，这正是 MoE 架构在服务部署上通常具有吸引力的原因。Beam 定位面向编程与智能体工作负载，相关报道将其描述为西方开放权重阵营对中国实验室的回应，在更低计算成本下可与同类闭源模型竞争。
对于构建智能体系统的团队而言，实际意义在于可选择性。一个激活参数 23B 的开放权重模型，有理由运行在自有或预留的算力上，这使两项决策回归内部：一是推理成本，如今由硬件与利用率决定，而非按 token 计价；二是数据驻留，因为 prompt、工具输出与检
相关报道未能说明的是：Beam 在智能体评测框架上的表现、上下文窗口、工具调用与结构化输出的可靠性，以及其许可条款。这些细节才决定一个模型能否部署到生产级智能体中，而不只是能跑起来。Behzat AI 将这一级别的开放权重发布视为其评测流水线的候选对象，在流水线中，服务成本、延迟与任务成功率都会与系统原本要调用的闭源 API 进行对比衡量。