Reflection 發表了 Beam，這是一個針對程式碼、代理和科學工作設計的開源專家混合模型（MoE），並將提供 Apache 2.0 授權的完整權重。文章同時涵蓋了其他開源模型、OpenAI 與 Anthropic 的市場競爭、代理技術研究、推論系統與硬體進展，以及 AI 安全與政策等多元議題，全面呈現 AI 產業的最新動態。
Reflection 團隊在一年多前首次亮相時，就已立下宏大的程式碼開發目標，並暗示將採用強化學習（RL）方法。然而，他們比 Thinking Machines 更長時間保持「隱身」狀態，讓外界一度不確定是否會推出模型，因為當時的開源模型生態系統並未因此放緩。
現在，他們終於推出了模型。Reflection 將其與 Inkling、Nemotron 和 GLM 5.2 進行比較，但目前最先進的 GLM 5.3、Kimi K3、Qwen 3.8 Max 和 DeepSeek V4.1 Flash 通常表現更優異。
儘管如此，由於 Beam 是在美國從零開始訓練的，市場上仍有一部分人熱切期待更多此類選項，更重要的是，Reflection 已經宣布作為一個功能性新實驗室正式登場。
Beam 發表： Reflection 宣布推出 Beam，這是一個僅限文字的專家混合模型（MoE），總參數為 501B，其中 23B 為活躍參數，專為程式碼開發、代理式應用和科學工作設計。該模型從零開始訓練，並預計本月將在 Apache 2.0 授權下發布完整權重。
訓練規模： 團隊貼文指出，Beam 經過 23.8 兆個預訓練代幣的訓練，部分資料來自數億份 PDF 文件的光學字元辨識（OCR）管線。他們還描述了在 10,000 個 GB300 晶片上進行穩定強化學習（RL）或 OPD 運行，完成了超過 1 億次運行，涵蓋約 100 萬個任務。
聲稱成果： Reflection 聲稱 Beam 在 SWE-bench Verified 基準測試中獲得 80.9 分，推論效率是 GLM 5.2 的 3 到 4 倍，並且預訓練和強化學習各花了四週時間，使用了約 10,500 個 GB300 晶片。他們承諾將發布技術報告和開源軟體整合。
背景資訊： Axios 提前報導了這次發表，指出 Reflection 每月為 Colossus 運算支付 1.5 億美元，並與 Nebius 簽訂了 10 億美元的協議，同時預計其他未具名的美國實驗室也將在本月推出開源模型。
獨立與批判性分析： Artificial Analysis 獲得了早期使用權，並預計 Beam 將成為其智慧程度最高的代幣效率開源模型之一。Elie Bakouch 估計預訓練階段的 BF16 模型浮點運算利用率（MFU）僅約 12%。他將其架構解讀為 3:1 交錯的全局/滑動視窗注意力機制，並指出其在未見程式碼困惑度方面優於 DSv4。
運算比較： Teortaxes 將 Beam 稱為 DeepSeek V3 的等浮點運算（iso-FLOP）複製版本。他推斷在四週內進行了約 13 億個強化學習沙盒運行，最多同時運行 17 萬個。
市場定位： 觀察家將 Beam 定位在 GLM-5.2 級別左右，並在某些基準測試中落後於 DSv4 Flash。Nathan Lambert 將其與 Nvidia 和 Thinking Machines 歸為強大的美國發布，但仍落後於中國的同類產品。
Aleph Alpha Kolibri： 這是一個總參數 78B、活躍參數 3.46B 的模型，採用 Apache 2.0 授權，專為德語和英語設計。其自我報告的成績包括 AIME 2025 達到 96.9%、GPQA Diamond 達到 84.3% 和 SWE-Bench Verified 達到 66.4%。然而，其訓練資料集尚未公開，且代理式評估結果遠低於 Qwen。
Reka Rho-1： 這是一個 19B 的全能模型，能夠理解和生成文字、圖像、影片和機器人動作，在約三個月內使用 320 個 H100 晶片從零開始訓練。
決策模型： Command Code 的 Agr（31B）和 Agr-flash（360M）跳過文字生成，直接返回帶有選項機率的類型化值，用於工具呼叫和路由。SemiAnalysis 解釋說，TypeSafe 的 Jev 採用相同的無解碼方法，主要在路由器角色中取代了前沿模型。
小型發布： Upstage 的 Solar Mini 4（35B 總參數，3B 活躍參數，512K 上下文）在 Nous Portal 上免費提供兩週。Eleven v4 Turbo 在 AA 的 Provider Voice TTS 競技場中名列前茅，價格僅為 v4 的一半。
SemiAnalysis 壓力測試： SemiAnalysis 測試了 Anthropic、OpenAI、Meta、SpaceXAI、MiniMax、Moonshot、Cursor、Cognition 等公司的方案。結果發現，Claude 的訂閱服務提供的 API 等效價值比 OpenAI 方案高出五倍以上。
評估方法： 價值取決於每個模型和代幣類型的點數成本，而非 API 的牌價。若根據任務成本進行調整，Claude 的優勢會縮小至 1.3 到 2.9 倍。
未經證實的運算估計： 一位分析師聲稱 Anthropic 將 42% 的推論運算資源用於訂閱服務，而這部分僅產生約 10% 的收入。
OpenAI 容量緊縮： 用戶回報，新的 200 美元訂閱已暫停，且所有方案的使用限制實際上都減半了。GPT-6.1 Sol 被定位為高效的替代方案。Theo 描述了 7 月到 9 月間程式碼模型偏好出現逆轉的情況。
OpenAI 回應： Codex 負責人 Tibo 承諾在 28 天內，每天都會有顯著改進或全面重置。第一天的加速顯示，GPT-6 Astra 和 GPT-6.1 Sol 的預設速度提升了約 50%，從每秒約 30 個代幣（TPS）增至約 50 個。此變更涵蓋所有訂閱介面以及與 ChatGPT 合作的夥伴，例如 OpenCode、Pi、Amp 和 Devin。
問題點： 累積的 Codex 重置會在沒有時區調整的情況下過期。此外，常駐的點點代理功能僅限於 100 美元以上的 Pro 方案。
企業需求（報導）： The Information 報導，微軟將預計的內部 Anthropic 支出削減了三分之一以上。報導還指出，Meta 的 Claude Code 用戶從約 6 萬人降至約 3 萬人，主要原因是 Meta 推廣自家工具。
代理競技場（Agent Arena）： Anthropic 在程式碼、工作和聊天領域均排名第一。Fable 5.1 在程式碼和工作方面領先，而 GPT-6 Astra 在程式碼方面排名第二。
設計競技場（Design Arena）： GPT-6 Astra 在 3D 設計、前端、全端和圖像轉 HTML 方面均排名第一。
幻覺： 在 AA-Omniscience 測試中，Gemini 4 Argon 在其不確定的問題上猜錯的比例為 15%，而次佳模型為 29%。GPT-6 Astra 的準確度最高，達到 61%。
多線束強化學習（Hugging Face）： 一個捕捉代理（capture proxy）能夠處理 OpenAI Chat、OpenAI Responses、Anthropic 和 Gemini 格式。它將呼叫轉發給 vLLM，並記錄精確的代幣 ID 和對數機率（logprobs）供 TRL 使用，因此 10 個未修改的線束（harnesses）變成了強化學習環境。
結果： 相同的權重在 Mini-SWE-Agent 下得分 62%，在 Claude Code 下得分 33%。在四個線束上訓練 LFM2.5-2.6B 模型，將首次嘗試解決率從 42% 提升到 54%，並且工具呼叫獎勵將呼叫次數減少了 31%。對 3,189 次運行進行監督式微調（SFT）後，解決率穩定在 47.5%。
注意事項： 這次運行僅使用了一個任務家族和一個隨機種子。強化學習環境現在像資料集一樣，託管並版本化在 HF Hub 上。
Pi Durable： Earendil 的線束圍繞一個小型基於任務的工作流程引擎構建，因此長時間運行、多玩家的代理可以在任何地方暫停和恢復。其核心是約 1.5 萬行 TypeScript 程式碼，使用 SQLite/JSONL 儲存，並在 Bun 或 Cloudflare Durable Objects 上運行。控制與執行環境是分離的。
Effect.ts： 作者解釋他們跳過了 Effect，因為它不提供持久性。
代理記憶體： Cognition 推出了 Devin “Dreaming”，它會在夜間修剪並連結記憶體圖。他們將 Git 和 Markdown 支援的格式開源為 Agent Memory Repo。
Cursor SDK： 更新增加了運行中引導、向父代理報告的背景子代理、可替換的系統提示詞，以及自訂工具上的 MCP readOnlyHint 和 destructiveHint 註解。
DeepSeek Harness： v0.2.1-alpha.1 版本中包含一個實驗性的 Claude Code Mods 相容層，用於測試 DSH 的「一切皆外掛」架構是否是 Claude Code 擴充點的超集。
Cline： 其 Pareto 26.10 Preview 能夠跨模型路由並評分答案，聲稱在相同的 DeepSWE 分數下，每項任務成本為 0.24 美元，而其他方案為 13.41 美元。Cline 也因濫用行為暫停了其免費的 DeepSeek-V4.1-Flash 促銷活動。
ChatGPT： 自訂的 MCP 伺服器不再需要開發者模式。
驗證優於取樣： NVIDIA 的中線束方法會取樣候選的 shell 指令，並在執行前進行驗證。一個 GPT-5.6 Sol 驗證器在從 8 個動作中選擇時，將 TerminalBench-Lite Pass@1 從 50% 提升到 68%，而較弱的驗證器則幫助不大。
Google 的 VeriHarness 方法挑戰了所有運行結果都一致的說法，並根據工作區證據解決分歧。它在 Gemini 3.5 Flash 上增加了 6.2 分，在 Opus 4.8 上增加了 6.4 分，並發布了約 2.6 萬次運行結果。
上下文管理： 德州大學奧斯汀分校的壓縮研究顯示，在約 3.5 萬次運行中，使用三分之一代幣的壓縮方法可能比完整上下文慢 20% 到 80%。閾值觸發器優於步進觸發器，且最佳策略因模型而異。
PAIR 方法從相同狀態重播代理，以隔離有害壓縮。然後，它重寫壓縮提示詞，並接近無壓縮的性能。CorpusMap 透過為文件集合預先計算實體頁面，將答案品質提高 6.4 到 11.7 分，同時將輸入代幣減少 34% 到 57%。
自我改進線束： SelfSearch 方法在 Terminal-Bench 2.1 上使用 DeepSeek V4 Flash 達到了聲稱的 82.0%，與 Codex 相當，搜尋成本為 4.03 美元。EverMind Raven 的進化研究線束在 BrowseComp 上達到了 69.3%。
最佳化與架構： Dust 是一種零階方法，利用活化擾動的「虛擬群體」來接近，有時甚至超越 Transformer 預訓練中的反向傳播。它聲稱比 EGGROLL 的運算效率高出 1,000 到 10,000 倍。
LOOM（循環式專家混合模型）可以在 9 到 12 個循環中穩定訓練，而一個 700M 模型在等浮點運算（iso-FLOP）下，以 5 個循環表現最佳。Ian Osband 展示了 ImageNet 上的精確策略梯度達到 4%，而交叉熵為 62%，他認為強化學習損失失敗不僅僅是探索問題。
Base Labs 發現強化學習更新的低秩性不如聲稱的那麼低。Datalab 報告稱，單獨的強化學習在溫度為 0 時能消除工具呼叫循環，而監督式微調（SFT）的循環率為 92%。
AI 應用於科學： Vals AI 報告稱，超過 90 個 Opus 5.5 代理在三天內運行了 DFT 模擬，並標記出兩個室溫磁性半導體候選物，其中一個早在 1999 年就已合成。這些結果僅為預測，並附有公開帳本。
代理支出： Epoch 估計 OpenAI 研究人員的程式碼代理支出（按 API 價格估值）每月大約翻倍。到 8 月中旬，中位數研究人員的每日支出約為 600 美元。
OpenRouter 定價扭曲： Horace He 指出，GLM 5.3 在 inference.net 上的定價為每百萬輸入代幣 0.08 美元，但每百萬輸出代幣卻高達 5.00 美元。他將此歸因於 OpenRouter 的反平方價格路由機制，以及明顯過度權重輸入價格。
llama.cpp： 在 Metal 上的推測解碼：新的核心（kernels）使 M3 Ultra 上的推測解碼比普通解碼快 3.4 倍（110 代幣/秒 vs 32.1 代幣/秒）。v0.6.0 版本增加了 Clef 文字和視覺支援、Qwen3.8-Flash-Next，以及新的 llama_batch_ext API。
代理式核心工作： Baseten 報告稱，他們在一週內主要透過自主代理工作構建了一個引擎，其解碼速度比開源基準快 90%，首次代幣生成時間（TTFT）降低 57%。
通訊： NCCL 和 PyTorch 對稱記憶體加速了中小型集體運算。
中國加速器： 阿里巴巴平頭哥的 Zhenwu V900 擁有 216 GB 記憶體和 1,200 GB/秒的互連頻寬，聲稱性能是 M890 的三倍，預計於 2027 年第一季出貨。
OpenAI 文字浮水印： OpenAI 將根據歐盟的 AI 法案，在歐盟地區符合條件的 ChatGPT 和 Codex 文字中添加不可見的統計浮水印，並在全球範圍內提供可選用的 API 開關。
限制： 重寫或翻譯會移除浮水印，且只有經批准的研究人員才能獲得檢測器。一項引用的測試顯示，25% 的同義詞替換會使檢測率從約 92% 降至 17%。
代理事件與安全治理： Bengio 在《金融時報》的評論文章中指出，最近的代理駭客攻擊不僅僅是沙盒問題。他還引用昆尼別克大學的一項民意調查，其中 86% 的受訪者支持獨立的安全標準。
覺得值得一看？分享給朋友。
以上為 AI 自動翻譯導讀。原文版權歸 Latent Space 所有， 建議透過「閱讀原文」前往原始網站，以取得最完整資訊並支持原作者。
43 個來源、每 2 小時更新，太多看不完。電子報每週挑最值得看的幾則，附上 Max 的看法。
.png)
