Reflection AI สตาร์ทอัพสหรัฐฯ เปิดน้ำหนักโมเดล Beam 1.0 บน Hugging Face เมื่อ 16 ต.ค. 2026 ภายใต้สัญญาอนุญาต Apache 2.0 เป็นโมเดลแบบ Mixture-of-Experts ขนาดรวม 501B พารามิเตอร์ แต่ใช้งานจริงราว 23B ต่อ token รองรับ context 1M token รับเฉพาะข้อความ และมาพร้อม Mirror CLI ซึ่งเป็น harness สำหรับเขียนโค้ดที่ใช้ฝึกโมเดลนี้ บริษัทชูว่าจุดแข็งคือ “ใช้ token น้อยต่องาน” มากกว่าการทำคะแนนสูงสุด
บน X วงถกแตกเป็นหลายฝั่ง ฝั่งหนึ่งชี้ว่าโมเดล 501B ได้ 30 คะแนนใน Artificial Analysis Intelligence Index ต่ำกว่า Qwen3.8 27B ที่ได้ 34 อีกฝั่งเถียงว่าควรวัดกันที่ต้นทุนต่องานที่ทำเสร็จ หลายคนมองว่าของจริงคือไลเซนส์ Apache 2.0 ที่ไม่มีเงื่อนไขแฝง ส่วนอีกกลุ่มเตือนว่าเปิดน้ำหนักไม่ได้แปลว่ารันเองได้ง่าย ข้อสรุปของ Hybrid Mind คือข้อมูลที่ยืนยันได้แล้วคือสเปก ไลเซนส์ และคะแนนจากผู้วัดอิสระบางราย แต่ข้ออ้างเรื่องประหยัดกว่าคู่แข่งต่องานหนึ่งชิ้นยังไม่มีใครวัดเป็นเงินออกมา และตัวเลขหลายชุดที่แชร์กันมาจากเบนช์มาร์กคนละเวอร์ชัน จึงเอามาเทียบกันตรง ๆ ไม่ได้
โมเดลเปิดตัวแรกของ Reflection ออกมาพร้อมน้ำหนัก harness และพาร์ตเนอร์กว่า 40 ราย
Reflection AI เป็นสตาร์ทอัพสหรัฐฯ ที่ตั้งเป้าทำโมเดลแบบเปิดระดับแนวหน้า ผู้ร่วมก่อตั้งคือ Misha Laskin (CEO) และ Ioannis Antonoglou (CTO) ซึ่งโพสต์หลายรายการบน X ระบุว่าทั้งคู่มาจาก Google DeepMind บริษัทเปิดตัว Beam ครั้งแรกเมื่อ 5 ต.ค. 2026 แบบให้ลงชื่อรอใช้ และสัญญาว่าจะปล่อยน้ำหนักภายในเดือนเดียวกัน วันที่ 16 ต.ค. น้ำหนักก็ขึ้น Hugging Face จริงในรูปแบบ BF16, FP8 และ NVFP4 พร้อมโมเดลร่างสำหรับเร่งความเร็ว (speculative decoding)
- Reflection โพสต์เปิดตัว Beam ว่าเป็นโมเดลเปิดที่ “ฝึกตั้งแต่ศูนย์” และประหยัดการคิด พร้อมบล็อก Introducing Beam ที่มีตารางคะแนนที่บริษัทวัดเอง
- Financial Times รายงานว่า Nvidia อยู่ระหว่างคุยเรื่องลงทุนเพิ่มหรือซื้อกิจการ Reflection ต่อมา CTO ของ Reflection บอก VentureBeat ว่าเป็น “ข่าวลือที่ไม่มีมูล” แต่ไม่ได้ตอบว่ามีการพูดคุยหรือไม่
- Meta เปิดน้ำหนัก Muse Spark Open ขนาด 816B (ใช้ 42B ต่อ token) ภายใต้ไลเซนส์ของ Meta เอง ทำให้สัปดาห์นี้มีโมเดลเปิดของสหรัฐฯ ออกมาชนกันสองตัว
- Misha Laskin ประกาศว่าน้ำหนัก Beam ออกแล้ว เชื่อมกับพาร์ตเนอร์กว่า 40 ราย และเปิดซอร์ส Mirror CLI ไม่กี่นาทีต่อมา Arena และ Artificial Analysis ก็ลงผลวัดของตัวเอง
- ชั่วโมงที่มีโพสต์พูดถึงมากที่สุดในช่วงที่เรานับ คือ 341 โพสต์ต่อชั่วโมง (รวม repost)
- Reflection บอกว่าให้บริการ Beam ไป 1 ล้านล้าน token ใน 24 ชั่วโมง และรีเซ็ตโควตาให้ทุกคน
สิ่งที่ Reflection บอกเอง
- pretrain ด้วยข้อมูล 23.8 ล้านล้าน token แล้วทำ reinforcement learning (RL) บน GPU GB300 ราว 10,500 ตัวนาน 4 สัปดาห์ สร้าง rollout เกิน 100 ล้านครั้ง และใช้ sandbox ราว 1.3 พันล้านครั้ง
- ใส่บทลงโทษเมื่อโมเดลใช้ token เกินจำเป็น เพื่อให้ตอบสั้นแต่ยังแก้งานได้
- บอก VentureBeat ว่าฝึกจากศูนย์ และไม่ได้ฝึกด้วยคำตอบของโมเดลอื่น
สิ่งที่คนนอกวัดได้วันแรก
- Artificial Analysis ให้ 30 คะแนน เป็นอันดับ 2 ในกลุ่มโมเดลเปิดของสหรัฐฯ รองจาก Muse Spark Open (39)
- ใช้ output ราว 26k token ต่องานในชุดทดสอบนั้น น้อยกว่า K2 Horizon ที่คะแนนใกล้กันราวครึ่งหนึ่ง
- Arena จัด Beam ไว้อันดับ 12 ในกลุ่มโมเดลเปิดทั้งหมดของ Agent Arena
ทำไมคนเห็นตัวเลขชุดเดียวกันแล้วสรุปไปคนละทาง
ต้นเหตุของวงถกส่วนใหญ่ไม่ใช่ว่าใครโกหก แต่เป็นเพราะตัวเลขที่แชร์กันมาจากผู้วัดต่างกัน เบนช์มาร์กต่างเวอร์ชัน และ harness ต่างกัน แล้วถูกตัดมาวางข้างกันในโพสต์เดียว
Terminal-Bench 80% กับ 3%
ตารางของ Reflection ให้ Beam 80.1% บน Terminal Bench v2.1 ส่วน Artificial Analysis วัดได้ 3.0% บน Terminal-Bench 4.0 สองตัวเลขนี้มาจากชุดข้อสอบคนละเวอร์ชันและวิธีรันต่างกัน ผู้ใช้รายหนึ่งวางสองเลขนี้ไว้ข้างกัน และ อีกรายสรุปติดตลกว่า “กดปุ่มเป็นแต่อ่าน terminal ไม่เป็น”
อันดับ 12 กับอันดับ 1
วันที่ 16 ต.ค. Arena บอกว่า Beam อยู่อันดับ 12 ในกลุ่มโมเดลเปิดของ Agent Arena และมี Net Improvement −3.67% วันต่อมา โพสต์อัปเดต Arena Alignment Index เรียก Beam ว่า “#1 US open model on Agent Arena overall” คำว่า US open คือนับเฉพาะโมเดลเปิดของสหรัฐฯ จึงไม่ขัดกับอันดับ 12 ที่นับรวมโมเดลจีนด้วย
token น้อยกับบิลถูก
Reflection บอกว่าบนข้อสอบเชิงเหตุผล Beam ได้คะแนนใกล้ GLM-5.2 โดยใช้ compute น้อยกว่า 3–4 เท่า แต่บล็อกเองระบุว่าเป็นการประมาณจากพารามิเตอร์ที่ใช้งานคูณจำนวน token ที่สร้าง ไม่รวมการอ่าน prompt ส่วน Joe Spisak รองประธานฝ่ายผลิตภัณฑ์ยอมรับกับ VentureBeat ว่า token ที่น้อยกว่า “อาจไม่ได้แปลเป็นบิลที่ถูกกว่าโดยตรง”
ระวังเลขปนกัน: ตาราง SWE-bench Verified ในบล็อกของ Reflection หลังอัปเดต 8 ต.ค. ระบุ 80.9% แต่หลายโพสต์บน X อ้าง model card ว่า 81.6% Hybrid Mind ไม่ได้เปิดตรวจ model card ตัวเต็มเอง จึงบอกได้แค่ว่าเลขสองชุดนี้มาจากเอกสารต่างฉบับ อย่าเอาไปผสมกันในตารางเดียว
6 ฝั่งที่เถียงกันบน X
เราจัดกลุ่มจากโพสต์ที่อ่าน 243 รายการ การแบ่งฝั่งเป็นการจัดกลุ่มเชิงคุณภาพ ไม่ใช่สัดส่วนความเห็น และหลายโพสต์อยู่ได้มากกว่าหนึ่งฝั่ง สำหรับบัญชีบุคคลทั่วไปเราสรุปความและใส่ลิงก์ แทนการยกชื่อบัญชีขึ้นมาเป็นประเด็น
ฝั่ง 1 — “501B แต่แพ้โมเดล 27B” คะแนนไม่สมขนาด
นักสังเกตการณ์เบนช์มาร์ก ผู้ใช้ที่เทียบกับโมเดลจีน
ฝั่งนี้มองตัวเลข 30 ของ Artificial Analysis แล้วผิดหวัง เพราะ Qwen3.8 27B ที่เล็กกว่ามากได้ 34 บนดัชนีเดียวกัน
- ผู้ใช้รายหนึ่ง quote ผลของ Artificial Analysis ว่าเป็นอันดับ 2 ของโมเดลเปิดสหรัฐฯ แต่ “แย่กว่า Qwen 3.8 27B นิดหน่อย ทั้งที่มี 501B พารามิเตอร์”
- อีกรายบอกว่าดีใจที่มีโมเดลใหม่ แต่ผิดหวังที่มันแย่กว่าโมเดล 27B “แทบทุกด้าน”
- มีคนตอบใต้โพสต์ AAว่า 30 เทียบกับ 56 ของ Muse Wonder ตัวเต็ม แปลว่าโมเดลเปิดยังมีช่องว่างอีกมาก
- บัญชีสายนักพัฒนาญี่ปุ่นรายหนึ่งเขียนว่า Beam ที่ใช้ฟรีใน OpenCode อยู่ตอนนี้ “ไม่ค่อยฉลาด” ที่ 30 คะแนน และน่าจะใช้เป็น subagent ได้ยาก
- ผู้ใช้อีกรายยอมรับว่าตัวเองเคยเดาไว้ใจดีเกินไปว่าจะได้คะแนนเท่า GLM 5.2
ฝั่ง 2 — “วัดผิดหน่วย” ต้องดูต้นทุนต่องานที่เสร็จ
นักพัฒนาที่จ่ายค่า API เอง คนทำ agent สำหรับงานปฏิบัติการ
ฝั่งนี้เถียงฝั่งแรกว่าการเอา MoE ที่ใช้ 23B ต่อ token ไปวางเทียบกับโมเดล dense 27B ด้วยคะแนนดัชนีอย่างเดียวไม่ยุติธรรม สิ่งที่ควรถามคือจ่ายเท่าไรต่องานหนึ่งชิ้นที่ทำสำเร็จ
- ผู้ใช้รายหนึ่งถามว่ากระดานคะแนนควรแสดงพารามิเตอร์ที่ใช้งานจริงและต้นทุน inference เป็นคอลัมน์หลักหรือไม่
- อีกรายบอกว่าสำหรับเครื่องมือธุรกิจขนาดเล็ก โมเดลที่ถูกต่องานคือโมเดลที่ได้ใช้จริง มากกว่าคะแนนดัชนี
- มีคนตอบโพสต์ 1 ล้านล้าน tokenว่าอยากเห็น “อัตรางานที่ทำเสร็จเมื่อจำกัดงบเท่ากันใน harness เขียนโค้ดจริง” มากกว่ายอด token
- อีกโพสต์ชี้ว่าแม้แต่หัวหน้าฝ่ายผลิตภัณฑ์ของ Reflection ก็บอกเองว่า token ที่น้อยลงอาจไม่ได้แปลว่าบิลถูกลง ซึ่งตรงกับที่ VentureBeat รายงาน
- มีคนเตือนใต้โพสต์ AAว่าจำนวน token เป็นตัวแทนที่ดีแต่ไม่ใช่มิเตอร์วัดพลังงาน และอ้างงานศึกษาของ Oxford เรื่องพลังงาน GPU (Hybrid Mind ยังไม่ได้ตรวจงานศึกษานั้น)
ฝั่ง 3 — “ของจริงคือ Apache 2.0 กับ harness ที่เปิดมาด้วย”
คนทำผลิตภัณฑ์บนโมเดลเปิด ผู้ให้บริการ inference
ฝั่งนี้ไม่ค่อยสนใจอันดับ แต่ให้น้ำหนักกับสิ่งที่ตรวจได้ทันที คือไลเซนส์และเครื่องมือที่ปล่อยมาพร้อมกัน
- ผู้ใช้รายหนึ่งตอบ AAว่าการเรียกว่าอันดับ 2 ของโมเดลเปิดสหรัฐฯ เป็นการวางกรอบที่ยุติธรรม แต่ Apache 2.0 สำคัญกว่า เพราะผู้ให้บริการเอาไปให้บริการได้โดยไม่ติดเงื่อนไขไลเซนส์
- อีกรายเทียบว่ารอบนี้ “ไม่ต้องสอบอ่านไลเซนส์” ต่างจาก 816B ของ Meta ที่ออกมาสองวันก่อนภายใต้ไลเซนส์เฉพาะ ซึ่ง VentureBeat รายงานว่าต้องแสดงข้อความ “Built with Muse Spark Open” และบริษัทรายได้เกิน 20 ล้านดอลลาร์ที่ขายเป็นบริการต้องทำข้อตกลงแยก
- อีกโพสต์ชี้ว่าไลเซนส์ยอมให้ distill และฝึกด้วย output ของโมเดลได้ ซึ่ง “หาได้ยากในช่วงนี้”
- หลายคนชมการเปิด Mirror CLI แต่ก็ตั้งคำถามต่อทันที รายหนึ่งบอกว่าช่วยให้คนอื่นทำซ้ำผลตาม model card ได้ ส่วน อีกรายและ อีกคนถามว่า Beam จะยังเก่งและประหยัดอยู่ไหมเมื่อย้ายไปใช้ harness อื่น
ข้อสังเกตของเรา: คะแนน 28 บน Coding Agent Index ที่ Artificial Analysis วัดเมื่อรันใน Mirror เป็นตัวอย่างว่าผลของ agent ขึ้นกับทั้งโมเดลและ harness คะแนนชุดนี้ห่างจากชุดถัดไปที่ได้ 43 อยู่ 15 คะแนน
ฝั่ง 4 — “เปิดน้ำหนักไม่ได้แปลว่ารันเองได้”
สาย self-host คนที่ลองรันวันแรก
- ผู้ใช้รายหนึ่งเตือนว่าน้ำหนัก FP8 ก็ใหญ่ราว 469 GB และ “open weights ≠ easy to run” ตัวเลขนี้สอดคล้องกับเลขคณิตคร่าว ๆ ว่า 501B พารามิเตอร์ × 1 byte ≈ 501 GB หรือราว 467 GiB
- อีกรายอธิบายว่าความเร็วขึ้นกับส่วนที่ active ก็จริง แต่พารามิเตอร์ทั้ง 501B ยังต้องมีที่อยู่ จึงเป็นโมเดลสำหรับ RAM มหาศาลหรือหลาย GPU ไม่ใช่การ์ดจอเกมใบเดียว
- มีคนลองจริงแล้ว ผู้ใช้รายหนึ่งรายงานว่ารันเวอร์ชัน NVFP4 บน DGX Station GB300 สองเครื่องได้ราว 237.8 token ต่อวินาทีสำหรับผู้ใช้หนึ่งคน และ LightSeek รายงาน 463 token ต่อวินาทีบน GB200 แปดตัว ทั้งสองเป็นผลที่ผู้โพสต์วัดเอง
Reflection เองบอก VentureBeat ว่าเวอร์ชัน 8-bit และ 4-bit ใส่ในเซิร์ฟเวอร์ 8 GPU ได้ (H100, H200 หรือ GB300) ส่วนเวอร์ชัน 16-bit ต้องใช้ “หลายสิบ GPU”
ฝั่ง 5 — “คำตอบของอเมริกาต่อ DeepSeek” กับข้อโต้แย้งเรื่องที่มาของโมเดล
ผู้สนใจการแข่งขันสหรัฐฯ กับจีน บริษัทที่ห่วงเรื่อง supply chain ของโมเดล
- โพสต์จำนวนมากใช้กรอบ “America’s answer to DeepSeek” เช่น โพสต์นี้ และ โพสต์นี้ที่บอกว่าสงครามโมเดลเปิดกลายเป็นการสู้สองแนวรบ
- อีกรายแย้งกรอบนี้ว่าการแข่งจริงไม่ใช่สหรัฐฯ กับจีน แต่เป็นโมเดลเปิดกับโมเดลปิด
- ฝั่งเย้ยหยันมองว่าตำแหน่ง “โมเดลเปิดที่ดีที่สุดของอเมริกา” เปลี่ยนมือสามรอบในสัปดาห์เดียว แต่ “ผู้ชนะก็ยังอยู่หลังกองโมเดลจีน” ส่วน มีม “we failed jensen” ที่ quote ผล AA ได้ยอดดูหลักพัน
- อีกโพสต์พูดตรง ๆว่า Beam ตอบโจทย์คนที่อยากได้โมเดลเปิดไปใช้ในงานโดย “ไม่ต้องแตะโมเดลจีน”
ฝั่ง Reflection เอง CTO บอก VentureBeat ว่าความเสี่ยงของการรันโมเดลจีนคือกฎระเบียบที่อาจเปลี่ยน ความรับผิด และที่มาของโมเดล โดยเฉพาะเมื่อโมเดลทำงานเป็น agent ที่เข้าถึงเครื่องมือและข้อมูลภายใน ซึ่งบริษัทตรวจไม่ได้ว่ามีพฤติกรรมแฝงที่ถูกฝึกไว้หรือไม่ แต่เขาก็เสริมว่า “ไม่ได้หมายความว่าโมเดลจีนไม่ดี” ข้อนี้เป็นข้อโต้แย้งเชิงความเสี่ยง ยังไม่มีหลักฐานในข่าวนี้ว่าโมเดลจีนตัวใดมีพฤติกรรมแฝงจริง
ประเด็นข้างเคียงที่มีคนหยิบมาถาม: Reflection บอกว่าไม่ได้ฝึกด้วยคำตอบของโมเดลอื่น แต่บล็อกเปิดตัวเล่าว่าเมื่อให้เข้าเว็บได้ Beam “เรียนรู้เองที่จะค้นหาและถาม LLM ตัวอื่น” และใช้บริการ OCR อ่านเอกสาร ผู้ใช้รายหนึ่งยกเรื่องนี้ขึ้นมา สองข้อนี้ไม่ได้ขัดกันโดยตรง เพราะข้อแรกพูดถึงข้อมูลฝึก ส่วนข้อหลังพูดถึงพฤติกรรมตอนใช้เครื่องมือ แต่ก็เป็นสิ่งที่องค์กรควรรู้ก่อนให้ agent เข้าเว็บได้อิสระ
ฝั่ง 6 — “ยอดใช้พุ่งเพราะฟรีหรือเปล่า”
คนที่ดูตัวเลข adoption อย่างระวัง
Reflection ประกาศว่าให้บริการ 1 ล้านล้าน token ใน 24 ชั่วโมง ช่วงเดียวกันนั้น Beam ใช้ฟรีชั่วคราวบนหลายแพลตฟอร์ม เช่น Vercel AI Gateway และ Ollama และบริการของ Reflection เองก็ยังฟรีในช่วง public beta ตามที่ VentureBeat รายงาน
- ผู้ใช้รายหนึ่งตอบว่าสัญญาณที่ดีกว่าคือยอดรายวันจะยังอยู่ระดับนี้ไหมหลังรีเซ็ตโควตาไปหลายสัปดาห์ เพราะการใช้ซ้ำสำคัญกว่ายอดช่วงเปิดตัว
- อีกรายถามว่ารีเซ็ตโควตาแทนการขึ้นราคา น่านับถือ แต่ “บิลจะตามทันเมื่อไร”
นอกจากหกฝั่งนี้ ยังมีคนสายเทคนิคถกรายละเอียดการฝึก เช่น teortaxesTex ที่ตั้งข้อสังเกตว่ายังไม่ชัดว่า DeepSeek กับ Reflection นับ “RL environment” ด้วยวิธีเดียวกันหรือไม่ และฝั่งทีมงาน เช่น พนักงาน Reflection รายหนึ่งที่ชูอันดับ 1 บน Cyber Index ของ Artificial Analysis ในกลุ่มโมเดลเปิดสหรัฐฯ
ลองคิดเองก่อนเชื่อพาดหัว
สามแล็บนี้เป็นการจำลองเชิงการศึกษา ใช้ตัวเลขสมมติหรือเลขคณิตพื้นฐาน ไม่ใช่ราคาจริงของ Beam ไม่ใช่ผลรันโมเดลจริง และ Hybrid Mind ไม่ได้ทดสอบ Beam เอง
ทดลอง 01 — คิดค่างานต่อชิ้น: token ถูกกว่า หรือใช้ token น้อยกว่า
สถานการณ์สมมติ: มีโมเดล A กับ B ให้แก้บั๊กหนึ่งชิ้น ปรับราคาต่อ 1 ล้าน token ที่โมเดลเขียน จำนวน token ต่อหนึ่งรอบ และโอกาสทำสำเร็จในหนึ่งรอบ (ถ้าพลาดต้องรันใหม่) แล็บจะคำนวณค่าใช้จ่ายเฉลี่ยต่องานที่ทำเสร็จหนึ่งชิ้น ค่าเริ่มต้นมาจากตัวอย่างสมมติในบทความ VentureBeat · การจำลองเชิงการศึกษา ไม่ใช่ราคาจริงของโมเดลใด
โมเดล A
โมเดล B
ทดลอง 02 — 501B ต้องใช้หน่วยความจำเท่าไร ถึงจะ “เปิดแล้วรันเองได้”
เลือกความละเอียดของน้ำหนักและชนิด GPU แล้วปรับพื้นที่เผื่อสำหรับ KV cache และงานอื่น แล็บคำนวณจากสูตรง่าย ๆ คือจำนวนพารามิเตอร์ × byte ต่อพารามิเตอร์ × (1 + ส่วนเผื่อ) · การประมาณเชิงการศึกษา ไม่ใช่ความต้องการฮาร์ดแวร์ที่วัดจริง ค่า NVFP4 สมมติราว 4.5 bit ต่อพารามิเตอร์เมื่อรวมค่า scale
ความละเอียดของน้ำหนัก
ชนิด GPU (หน่วยความจำต่อการ์ด)
ทดลอง 03 — 8 ประโยคที่แชร์กันบน X: ยืนยันแล้ว เกินหลักฐาน หรือยังไม่รู้
อ่านแต่ละประโยคแล้วเลือกคำตัดสิน แล็บจะเฉลยพร้อมเหตุผลจากแหล่งต้นทาง · แบบฝึกเชิงการศึกษา ประโยคเรียบเรียงจากประเด็นที่พบบนโพสต์ ไม่ใช่คำพูดของบัญชีใดบัญชีหนึ่ง
1. Beam ปล่อยน้ำหนักให้ดาวน์โหลดภายใต้ Apache 2.0
2. Reflection บอกว่าได้ 80% บน Terminal-Bench แต่คนนอกวัดได้ 3% แปลว่าโกงคะแนน
3. Beam ใช้ compute น้อยกว่า GLM-5.2 จริง 3–4 เท่า
4. Artificial Analysis ให้ Beam 30 คะแนน อันดับ 2 ในโมเดลเปิดของสหรัฐฯ
5. Beam เป็นโมเดลเปิดอันดับ 1 บน Agent Arena
6. Beam ถูกกว่า DeepSeek เมื่อคิดต่องานที่ทำเสร็จหนึ่งชิ้น
7. Nvidia ซื้อ Reflection AI ไปแล้ว
8. เพราะใช้แค่ 23B ต่อ token จึงรัน Beam บนการ์ดจอเกมใบเดียวได้
เลือกคำตัดสินของแต่ละประโยคเพื่อดูเฉลย
หลักฐานสนับสนุนอะไร และอะไรยังพิสูจน์ไม่ได้
| ประเด็น | สถานะ | หลักฐาน |
|---|---|---|
| สเปก 501B รวม 23B active, context 1M, text-only | ยืนยัน | บล็อก Reflection และบล็อกของ Hugging Face (52 ชั้น, 256 expert, เลือก 8 ต่อ token) |
| น้ำหนักภายใต้ Apache 2.0 พร้อม Mirror CLI แบบโอเพนซอร์ส | ยืนยัน | บล็อก Beam is now available, Hugging Face, เอกสาร Mirror CLI |
| AA Intelligence Index 30 อันดับ 2 ของโมเดลเปิดสหรัฐฯ ใช้ ~26k output token ต่องาน | ยืนยัน (ผู้วัดรายเดียว) | บทความและโพสต์ของ Artificial Analysis 16 ต.ค. |
| คะแนนต่ำกว่า Qwen3.8 27B บนดัชนีเดียวกัน | ยืนยัน (ดัชนีเดียว) | AA ให้ Qwen3.8 27B (xhigh) 34 คะแนน และระบุว่าโมเดลนั้นใช้ token เยอะมากระหว่างทดสอบ |
| ประหยัด compute 3–4 เท่าเทียบ GLM-5.2 | อ้างโดยบริษัท | เป็นการประมาณ ไม่รวม prefill และค่าใช้จ่ายการให้บริการ ตามที่บล็อกเขียนไว้เอง |
| ถูกกว่าคู่แข่งต่องานที่ทำเสร็จ | ยังไม่มีข้อมูล | ยังไม่มีราคาทางการ และ Reflection บอกว่ายังไม่มีตัวเลขต้นทุนต่องานที่ชัดเจน |
| ปลอดภัยกว่าการใช้โมเดลจีนในงาน agent | ยังพิสูจน์ไม่ได้ | เป็นข้อโต้แย้งเรื่องความเสี่ยงด้านที่มาของโมเดล ไม่ใช่ผลทดสอบเปรียบเทียบ มีรายงานความปลอดภัยของ Beam และผู้ทดสอบภายนอก แต่ไม่ได้พิสูจน์ว่าโมเดลอื่นมีพฤติกรรมแฝง |
| ยอดใช้ 1 ล้านล้าน token ใน 24 ชั่วโมงสะท้อนความต้องการระยะยาว | ยังเร็วไป | เป็นตัวเลขที่บริษัทประกาศเอง ช่วงเดียวกับที่ใช้ฟรีได้หลายแพลตฟอร์ม |
สิ่งที่หลักฐานสนับสนุน
- Beam เป็นโมเดลเปิดของสหรัฐฯ ที่เปิดจริงทั้งน้ำหนัก ไลเซนส์ และเครื่องมือรอบตัว
- บนดัชนีของ Artificial Analysis มันใช้ token ต่องานน้อยเมื่อเทียบกับโมเดลที่คะแนนใกล้กัน
- คะแนนรวมยังตามหลังโมเดลเปิดชั้นนำจากจีนและโมเดลปิดแนวหน้า ซึ่ง Reflection ก็ยอมรับในบล็อกว่า Kimi K3 ยังนำด้านความสามารถดิบ
สิ่งที่ยังพิสูจน์ไม่ได้
- ต้นทุนจริงต่องานเมื่อรันผ่านผู้ให้บริการที่ตั้งราคาเอง
- ผลจะคงอยู่แค่ไหนเมื่อย้ายออกจาก Mirror ไปใช้ harness อื่น
- ยอดใช้หลังหมดช่วงฟรี และอัตราการหลอน 47% บน AA-Omniscience จะกระทบงานจริงแค่ไหน
เอาไปใช้ยังไง แยกตามคนอ่าน
สำหรับนักพัฒนาที่อยากลอง
- ลองผ่านผู้ให้บริการที่โฮสต์ให้ก่อน อย่าเพิ่งซื้อฮาร์ดแวร์เพื่อ self-host
- วัดงานของตัวเองด้วยตัวเลขสามตัว คือ token ต่อรอบ จำนวนรอบจนผ่าน และเวลารวม
- ลองทั้งใน Mirror และ harness ที่ใช้อยู่ เพราะผลของ agent ขึ้นกับ harness ด้วย
สำหรับทีมที่จะเลือกโมเดลเปิดมาใช้ในบริษัท
- เทียบไลเซนส์ก่อนคะแนน Apache 2.0 ต่างจากไลเซนส์เฉพาะที่มีเงื่อนไขรายได้หรือการแสดงชื่อ
- ทำบัญชีว่าโมเดลในระบบมาจากไหน รวมถึงโมเดลที่ติดมากับ vendor
- ถ้าให้ agent เข้าเว็บได้ ให้ log การเรียกบริการภายนอก เพราะ Reflection เองเล่าว่า Beam เคยหาทางเรียก LLM ตัวอื่นเมื่ออ่านภาพไม่ได้
สำหรับผู้บริหารและฝ่ายจัดซื้อ
- ขอตัวเลขต้นทุนต่องานที่ทำเสร็จจากผู้ขาย ไม่ใช่แค่ราคาต่อ token
- ระวังพาดหัว “อันดับ 1” ให้ถามเสมอว่านับในกลุ่มไหน และเป็นเบนช์มาร์กเวอร์ชันไหน
สำหรับคนติดตามสนามสหรัฐฯ กับจีน
- สัปดาห์นี้มีโมเดลเปิดสหรัฐฯ หลายตัว แต่อันดับรวมยังเป็นของโมเดลจีน
- สัญญาณที่ควรดูต่อคือผลทดสอบต้นทุนต่องานที่ VentureBeat บอกว่ากำลังทำ และยอดใช้หลังหมดโปรโมชันฟรี
Brief สำหรับให้ AI ช่วยเทียบโมเดล (คัดลอกไปใช้ได้): “เทียบโมเดล A และ B บนงานตัวอย่าง 20 ชิ้นของเรา รายงานต่อชิ้น: token ที่อ่าน token ที่เขียน จำนวนรอบจนผ่านเทสต์ เวลา และค่าใช้จ่ายตามราคาจริงของผู้ให้บริการ ห้ามใช้คะแนนเบนช์มาร์กสาธารณะแทนผลของงานเรา และระบุ harness กับ reasoning effort ที่ใช้ทุกครั้ง”
อ่านต่อบน Hybrid Mind
- Meta เปิดน้ำหนัก Muse Spark Open 816B แต่ VRAM เริ่ม 700GB ตาม model card
- Meta Muse Wonder: X ถก Benchmaxxing และชื่อโมเดลที่ทำให้คนสับสน
- Claude Distillation Defense: X ถก Anthropic กันลอกโมเดล 90–99% ความมั่นคงหรือมาตรฐานสองชั้น
- Replit ย้ายค่าเริ่มต้นไป OpenAI: X ถกเลิกกับ Claude จริง หรือแค่ลดชั้น
- Liquid AI ปล่อย LFM2.5-24B-A2B: Agent ในเครื่อง กับเงื่อนไขที่ต้องอ่าน
- AI โกงคะแนนได้อย่างไร? เจาะ 26 กรณีจากงานวิจัย AI Finds A Way
คำถามที่พบบ่อย
1. Beam เป็นโมเดลโอเพนซอร์สจริงไหม?
เปิดน้ำหนักจริงภายใต้ Apache 2.0 ซึ่งอนุญาตการใช้เชิงพาณิชย์และการดัดแปลง และเปิดซอร์ส Mirror CLI ด้วย แต่ข้อมูลฝึกทั้งหมดไม่ได้เปิด คำที่ตรงกว่าจึงเป็น “open-weight” มากกว่า “โอเพนซอร์สทุกส่วน”
2. ทำไมโมเดล 501B ถึงได้คะแนนต่ำกว่าโมเดล 27B?
บนดัชนีของ Artificial Analysis ใช่ คือ 30 ต่อ 34 แต่ Beam เป็น MoE ที่ใช้งานจริงราว 23B ต่อ token และถูกฝึกให้ตอบสั้น AA ระบุว่า Qwen3.8 27B ใช้ token ระหว่างทดสอบเยอะมาก การดูแค่ขนาดรวมกับคะแนนเดียวจึงยังไม่พอจะบอกว่าตัวไหนคุ้มกว่าสำหรับงานของคุณ
3. Beam ถูกกว่าโมเดลจีนอย่าง DeepSeek ไหม?
ยังไม่มีใครรู้ Reflection ยังไม่ประกาศราคาทางการ ผู้ให้บริการแต่ละรายตั้งราคาเอง และบริษัทเองบอกว่ายังไม่มีตัวเลขต้นทุนต่องานที่ชัดเจน การใช้ token น้อยกว่าเป็นแค่ปัจจัยหนึ่งของบิล
4. รัน Beam บนคอมพิวเตอร์ที่บ้านได้ไหม?
ไม่ได้ในทางปฏิบัติ น้ำหนัก FP8 อย่างเดียวก็ราว 500 GB Reflection บอกว่าเวอร์ชัน 8-bit และ 4-bit ต้องใช้เซิร์ฟเวอร์ 8 GPU ระดับ H100 ขึ้นไป ผู้ใช้ทั่วไปจะเข้าถึงผ่านผู้ให้บริการที่โฮสต์ให้มากกว่า
5. ทำไม Terminal-Bench ของ Beam มีทั้ง 80% และ 3%?
เพราะเป็นคนละเวอร์ชันและคนละผู้วัด 80.1% คือผลที่ Reflection วัดเองบน v2.1 ส่วน 3.0% คือผลของ Artificial Analysis บน Terminal-Bench 4.0 ที่ยากกว่า สองเลขนี้เอามาเทียบกันตรง ๆ ไม่ได้
เอกสารอ้างอิงและขอบเขตการตรวจ
- Reflection — Introducing Beam (5 ต.ค. 2026, อัปเดตตาราง 8 ต.ค.)
- Reflection — Beam is now available (16 ต.ค. 2026)
- Hugging Face — Welcome Beam: a 501B open model you can own, customize, and scale
- Reflection Developer Docs — Mirror CLI quickstart
- VentureBeat — Reflection’s Beam aims to undercut Chinese open models with fewer tokens, not cheaper tokens
- Artificial Analysis — Reflection has released Beam, their first model launch
- Artificial Analysis — Qwen3.8 27B (xhigh)
- Artificial Analysis บน X — ผลวัด Beam (เธรด 16 ต.ค.)
- Artificial Analysis บน X — Coding Agent Index เมื่อรันใน Mirror
- Arena บน X — Beam ใน Agent Arena และ Code Arena (16 ต.ค.)
- Arena บน X — Arena Alignment Index update (17 ต.ค.)
- Reflection บน X — 1 ล้านล้าน token ใน 24 ชั่วโมง (18 ต.ค.)
ขอบเขตการตรวจ: Hybrid Mind ดึงและอ่าน 243 โพสต์บน X ที่ไม่ซ้ำกัน (เป็น repost 25 รายการ) ในจำนวนนี้ 211 โพสต์พูดถึง Beam หรือ Reflection โดยตรง ที่เหลือเป็นคำตอบในเธรดหรือโพสต์ที่ติดคำค้นโดยบังเอิญ โพสต์ส่วนใหญ่อยู่ระหว่าง 16 ต.ค. 2026 ราว 07:00 น. ถึง 18 ต.ค. ราว 12:55 น. (เวลาไทย) มาจากการค้นด้วยคำสำคัญ คำตอบและ quote ของโพสต์ Artificial Analysis, Reflection และ Misha Laskin รวมถึงโพสต์ของ Arena มีทั้งภาษาอังกฤษ จีน ญี่ปุ่น ไทย สเปน โปรตุเกส ตุรกี เวียดนาม และรัสเซีย
ตัวเลขปริมาณมาจาก X Recent Counts ด้วยคำค้น "Reflection AI" OR reflection_ai OR "Reflection's Beam" OR "Reflection Beam" OR "Beam 1.0" OR "Beam-1.0" OR (Beam 501B) ได้ 2,347 โพสต์รวม repost ตั้งแต่ 16 ต.ค. 07:00 ถึง 18 ต.ค. ราว 13:00 (เวลาไทย) ไม่นับ repost ได้ 1,726 โพสต์ ส่วนวันที่ 14–15 ต.ค. ก่อนเปิดน้ำหนักอยู่ที่ราว 82–99 โพสต์ต่อวัน การแบ่งฝั่งเป็นการจัดกลุ่มเชิงคุณภาพ ไม่ใช่ผลสำรวจหรือสัดส่วนความเห็น โพสต์บน X เป็นความเห็น ไม่ใช่ข้อเท็จจริง
เราตรวจข้อเท็จจริงกับบล็อกของ Reflection, Hugging Face, เอกสาร Mirror CLI, VentureBeat, หน้าเว็บของ Artificial Analysis และโพสต์ทางการของ Arena เราไม่ได้ดาวน์โหลดหรือรัน Beam ไม่ได้เปิดตรวจ model card และรายงานความปลอดภัยฉบับเต็ม ไม่ได้ตรวจรายงานของ Financial Times โดยตรง และไม่ได้ตรวจผลวัดความเร็วที่ผู้ใช้โพสต์เอง แล็บทั้งหมดเป็นการจำลองเชิงการศึกษาด้วยตัวเลขสมมติหรือเลขคณิตพื้นฐาน
ใส่ความเห็น