模型不是产品，模型加 harness 才是（Reflection Beam、Mirror 和"拥有自己的工具链"）
Reflection 开源 Beam（501B 总参、约 23B 激活，Apache 2.0）和与它一起训练的编码 Agent Mirror：模型加 harness 才是完整的产品。
如果你只租用智能，你就永远在别人的系统里干活。
这句话听起来像口号。
但这周发生的一件事，让它变得很具体。
跑分陷阱
大多数人挑模型的方式是这样的：
- 打开一张基准表
- 找分数最高的那一行
- 把 API 地址换掉
然后发现，换了模型，Agent 并没有变聪明多少。
为什么？
因为你换掉的只是引擎。
方向盘、刹车、仪表盘，还是原来那一套。它们是为另一台引擎调的。
在编码 Agent 这件事上，这套“方向盘和刹车”有个名字：harness。它决定模型能调用什么工具、怎么审批、怎么续接上下文、怎么并行干活。
大多数人把 harness 当成配件。
这是默认陷阱。
一起训练
10 月 16 日，Reflection 在 Hugging Face 放出了 Beam 的权重。
据 Reflection 官方博客，这是它的第一个开放权重模型，许可证是 Apache 2.0。模型 10 月 5 日先做了预告，10 月 16 日才放出权重。
和它一起出现的，还有一个终端编码 Agent，叫 Mirror。
关键在这一句：官方称，Mirror 是和 Beam 一起训练的。
不是先做好模型，再找个壳套上去。
是模型在训练的时候，就已经在用这个壳干活了。
这改变了问题的形状。
过去的问题是：“哪个模型最强？”
现在的问题变成了：“哪一对模型加 harness，在一起最顺手？”
引擎和变速箱一起调，才叫一台车。分开买，叫一堆零件。
（这句是我的比喻，不是 Reflection 的话。）
拆开看
先把据官方博客和 Hugging Face 博客能确认的事实摆出来。
Beam 是稀疏 MoE：
- 总参数 501B，每个 token 激活约 23B
- 52 层，每个 MoE 层 256 个专家，每个 token 路由 8 个，没有共享专家
- 路由方案沿用 DeepSeek-V3 的分组限制
- 纯文本输入输出，上下文 1M token
注意力的设计很省：
- 多数层是 512 token 的滑动窗口
- 每第 6 层和最后一层看全局
- 合计 43 个滑窗层，9 个全局层
据 HF 给的估算，1M 上下文下，每条序列的 KV cache 约 36 GiB。如果全部用全局层，要 208 GiB。
给技术读者两个小彩蛋：残差流用 1/sqrt(k) 加权，让尺度保持恒定，另外加了 tanh softcap，上下限是 ±30。
Mirror 这边，它是 Reflection 的终端编码 Agent。据 Reflection 博客，它由一个 Python 前端加一个 Rust 写的 Agent 核心组成，前端管提示词、skills 和开发者工具，真正驱动模型的是 Rust 核心。据 Reflection 博客和项目仓库页面：
- 能审批工具调用
- 能续接会话
- 能在独立的 worktree 里并行跑多个 Agent
- 支持项目指令、skills、MCP 和 Python 扩展
包名 reflection-mirror，命令是 mirror。仓库是 reflection-oss/mirror，Apache 2.0，10 月 12 日创建。
它也不锁死你。Beam 同样能接 OpenCode、Hermes 这些其他开源 harness。
成绩方面，以下全部是 Reflection 自报，测的是 BF16 版本：
- SWE-bench Verified 81.6%
- Terminal Bench v2.1 80.1%
- GPQA Diamond 90.6%
- AIME 2026 97.7%
- MCP Atlas 80.8%
- BrowseComp（含上下文管理）76.8%
第三方的数字也有一个。Artificial Analysis 上，Beam 1.0 的智能指数约为 30（10 月 18 日查看）。X 上说它排美国开放权重模型第二。AA 本身不按国家排名，我对着它的榜单看，美国厂商的开放权重模型里，排在它前面的只有 Meta 的 Muse Spark Open。这个“第二”是按厂商所在地对出来的，榜单每天都在变。
拥有，而不是租用
这才是我想说的部分。
开放权重加一个一起训练的 harness，意味着一件事：
你可以把整条工具链搬回自己家。
不是一个能调用的接口，是一套能拥有的系统。
The thing is，拥有是有成本的。
而大多数人在“拥有”这个词面前，只看到了自由，没看到账单。
所以，下面是我会怎么做。
1) 先看清你的硬件
据 Reflection 和 HF 博客，检查点有三种：
- BF16，约 1TB
- FP8
- NVFP4，约 280GB，Blackwell 原生
HF 建议 4 张 B200 起步会比较宽裕。如果用 H200 跑 FP8，SGLang 的例子需要 8 张卡。
如果这些硬件你一张都没有，没关系。
这不是失败，这是信息。
它告诉你，第一步不该是自托管。
2) 先借，再买
据 Reflection 和 HF 博客，Ollama、LM Studio、OpenRouter、Together、Fireworks、Baseten、Cloudflare、CoreWeave、Vercel 都是合作方。HF Inference Providers 可以直接调用，Reflection 自家的 API 在公测，免费起步。
transformers、vLLM、SGLang 都在第一天就支持了，还配了 DFlash2 投机解码的草稿模型。
在托管服务上用够，弄清楚它在你的项目里到底好不好用。
然后再决定要不要把它搬回家。
3) 把推理强度当旋钮，不当开关
Beam 有五档推理强度：low、medium（默认）、high、xhigh、max。另有 preserve_thinking，能跨轮保留推理。
大多数人会直接拧到 max。
别这么做。
简单的改名、补测试，用不着最高档。把高档留给真正难的那一步。
你的注意力是有限的，算力也是。
4) 把 harness 当成资产来经营
项目指令、skills、MCP 配置、Python 扩展。
这些东西会越积越多。
它们才是你的 point of view 在工程上的样子：你怎么定义“好代码”，你允许 Agent 做什么、禁止它做什么。
模型可以换。
这些东西，换模型的时候是带不走就要重写的。
所以从第一天起，就把它们当成资产，而不是一次性配置。
别人已经在怎么用
据 HF 博客，HF 团队自己用 Beam 加 Pi 编码 harness，做了一个 macOS 菜单栏听写应用，叫 BeamSpeak，用 MLX 跑 Parakeet。
他们还在 ProgramBench 上对比了三种协作方式：单个 Agent、5 个对等 Agent、主从子 Agent。
想微调的人，HF 博客也给了配方：TRL 的 LoRA SFT（单节点 8×B300 约 19,000 tok/s），以及 Miles 的 GRPO。
HF 还为用 Beam 做的项目提供了 1 万美元的 Hub 额度奖励。
这些不是让你照抄的。
它们是在提示你：最先从开放权重里拿到价值的，往往不是跑分最高的人，而是最先动手做东西的人。
最后
模型会越来越多。
每周都有一张新的基准表。
如果你的工作方式是每周换一次引擎，你会一直很忙，但不会走得很远。
更好的问题不是“哪个模型最强”。
而是：
你有没有一套属于自己的系统，能让任何一个好模型进来就能干活？
如果有，你在拥有。
如果没有，你在租用。
而租来的东西，随时可以被收回。
来源：Reflection 官方博客；Hugging Face 博客；GitHub：reflection-oss/mirror；Artificial Analysis。六项基准为 Reflection 自报（BF16），未独立复现；智能指数为 Artificial Analysis 2026-10-18 读数，会变化，“美国开放权重第二”来自 X，AA 不按国家排名，此处为作者按厂商所在地对照。