当地时间10月5日，被外界称为“美版DeepSeek”的美国初创企业Reflection发布了其首款开放权重模型Beam；紧接着，法国公司Mistral推出了迄今为止规模最大的Mistral Large 4。这两家公司发布模型时，主要对标对象高度一致：GLM、Kimi、DeepSeek和Qwen。
根据Hugging Face的数据，过去一年，中国模型在该平台上的下载量约占41%，月度及累计下载量均超越美国。DeepSeek、阿里Qwen、月之暗面Kimi、智谱GLM、MiniMax、小米MiMo等模型不断刷新开放模型的能力上限，中国开放模型已成为全球开源开发者追赶的目标。
另一方面，开放模型已不再仅仅是研究者和极客使用的“小众选择”：Vercel AI Gateway的生产流量数据显示，今年8月，开放权重模型已处理其平台上56%的Token，而去年12月这一比例还不到10%。因此，全球开放模型竞赛势在必行。
美欧开放模型同期亮相
“美版DeepSeek”首次交卷：仍有差距
备受关注的Reflection成立于2024年，两位创始人均来自Google DeepMind：CEO Misha Laskin曾负责Gemini的奖励建模，CTO Ioannis Antonoglou则参与过AlphaGo、AlphaZero，并后来领导Gemini的人类反馈强化学习（RLHF）工作。
不过，Reflection最初并非冲着“美版DeepSeek”的目标而去。公司起初聚焦自主编程，希望利用强化学习打造能独立完成复杂任务的“超级智能系统”，同时曾判断西方会不断涌现足够强大的开放模型，Reflection可直接在此基础上构建。
真正改变公司路线的是DeepSeek V3。据Reflection创始人透露，在中国开放模型快速推进、而西方迟迟未出现同等水平替代品后，公司决定自行训练前沿开放模型，并逐步将目标明确为“将开放模型前沿重新带回西方”。
两年后，Beam算是Reflection的首次正式答卷。
Beam是一个MoE模型，总参数量为5010亿，每个Token激活230亿参数，主要面向编程、推理和Agent工作负载。该模型使用23.8万亿Token进行预训练，Reflection又动用了1.05万张Nvidia GB300，连续进行4周高算力强化学习，生成超过1亿次rollout。模型目前仍处于最终红队测试阶段，Reflection计划在10月公开模型权重、技术报告及开发工具。
从Reflection自己公布的测试结果来看，Beam的最大亮点并非绝对能力，而是推理效率。公司称，在部分高级推理任务上，它能够以GLM-5.2约四分之一到三分之一的推理算力实现接近的表现。
但如果与中国最新一代模型横向比较，Beam距离真正“追平”仍有明显差距。
例如，在Agent编程测试DeepSWE v1.1中，Beam得分为44.4，几乎与GLM-5.2的44.0持平，但低于GLM-5.3的61.0、Kimi K3的68.0，以及DeepSeek V4.1 Flash的74.2；在Terminal Bench v2.1上，Beam得分为80.1，而GLM-5.3、Kimi K3和DeepSeek V4.1 Flash分别达到88.2、88.3和90.6。在Humanity's Last Exam（HLE）中，Beam得分为36.2，也低于GLM-5.3的42.3和Kimi K3的46.9。
因此，目前Beam将美国开放模型重新拉回中国头部模型附近，但追上的主要是前一代GLM-5.2，与中国最新一轮开放模型仍有约一代的差距。
Reflection对此并未回避。官方直接承认Kimi K3在绝对能力上仍领先，并将Beam的卖点转向“单位推理算力能换取多少智能”。CEO Misha Laskin将Beam定位为企业可长期运行的“主力模型”，而非单纯冲榜的最大模型。
这也很像DeepSeek最初打动市场的部分逻辑：价值不在于模型是否第一，而是达到某个能力需要付出多少成本。区别在于，Reflection很难被称为“低成本版DeepSeek”。
Beam仅最后一轮强化学习就同时占用了超过1万张最新GB300；公司已融资数十亿美元，并从Nvidia获得大额投资，又通过SpaceX、Nebius等合作锁定大量算力。它是一个拥有美国资本和Nvidia最新硬件加持的“重资产版DeepSeek”。
Ioannis表示，公司未来几年的目标是让“开放前沿”和“封闭前沿”最终成为同一个前沿。2027年，Reflection计划发布规模更大的模型，同时继续扩大强化学习算力，并像GLM等模型一样，在基础模型之上连续推出多个强化学习增强版本。
Misha则认为，这条路线背后其实是一个更大的判断：强化学习已从过去AlphaGo、AlphaZero中的特定领域技术，变成可持续推动通用模型、编程模型和Agent模型进步的基础方法。
在他看来，目前这些模型“要么已经是某种形式的AGI，要么至少已非常清晰地处在通往AGI的连续路径上”。接下来的核心问题已不仅是如何将模型继续做强，而是如何将这种能力工程化、产品化，并通过一个多极化、开放程度更高的生态扩散出去。
Mistral重新冲刺头部开放模型
相比刚刚推出首款基础模型的Reflection，欧洲模型厂商Mistral面临的压力实际上更大。
两三年前，它曾是开放模型最具代表性的公司，但随着DeepSeek、Qwen、Kimi、GLM等模型快速迭代，Mistral在前沿能力榜单上的存在感不断下降。今年9月，CEO Arthur Mensch接受采访时甚至被直接问道：Mistral的模型已跌至Artificial Analysis排名20名之外，是否被美国和中国甩开了？
Mensch当时的回应是，新一代大模型即将发布，且公司未来一年已规划了接下来两代产品；Mistral刚融资的资金将大量用于扩大训练算力，未来可调用的训练计算量可能提高约20倍。
两周后，Mistral Large 4出现了。
Mistral Large 4激活参数为520亿，总参数为1.05万亿，搭载16亿参数的视觉编码器，同时原生支持多模态和超过160种语言，上下文窗口达到100万Token。值得注意的是，它是在Mistral位于欧洲的数据中心中，使用约3800张Nvidia Grace Blackwell GPU从头训练而成；模型目前已开放API预览，完整权重将在10月底发布。
Mistral官方公布的Coding Agent Index中，Large 4已超过DeepSeek V4 Pro和Qwen 3.8 Max，但低于Kimi K3；在与第三方Surge AI合作进行的盲测中，专业评审给Large 4的代码质量评分为3.74，低于Claude Opus 5的4.22，但高于Kimi K3的3.59、GLM-5.3的3.60和GLM-5.2的3.40。
Mistral明显在抢“企业Agent”而非仅抢开发者。在AutomationBench的657个跨Gmail、Google Sheets、Slack、Salesforce等应用的业务工作流中，Mistral称Large 4超过了Kimi K3、MiMo-V2.6-Pro和DeepSeek V4 Pro，但低于GLM-5.3。在科学代码、网络安全以及部分金融、法律任务上，Mistral同样宣称已达到开放模型头部水平。
这次，Mistral还特别介绍了网络安全能力。Mistral称Large 4已进入Artificial Analysis Cyber Index全球前五，在其中一个“复现真实漏洞并修复”的任务上达到82%，是该测试最高分；Cybench上完成93%挑战。Mistral还刻意强调，部分闭源模型因安全拒绝机制，在某些漏洞复现任务上几乎无法作答，而开放权重模型可由企业自己定义安全策略，并部署在私有云或本地环境。
当然，这些数据目前很大一部分来自Mistral自身测试，且Large 4仍处于public preview阶段，真正的权重尚未开放。
补中国厂商初步跑通雏形的商业模式
模型能力之外，Mistral和Reflection也在走一条国内厂商初步验证了的商业路线。
Reflection是非常“美国式”的商业故事：它希望建立一个新的完整AI基础设施提供商，从基础模型出发，向上承接推理、Agent、软件和企业部署，向下深入算力管理、集群调度，长期甚至自己拥有数据中心。
他认为，模型、应用、云计算、裸金属等每一层长期都会商品化，真正能持续获得较高利润的公司，往往是将整个技术栈垂直整合起来的公司。Misha甚至给出了一个很“硅谷味”的公式：
收入潜力 = 智能密度 × 算力规模 × 企业信任。
Misha表示，开放模型本身不一定直接赚钱，但它能创造巨大的推理需求。就像Kubernetes本身开放，却推动了云市场一样，开放模型会推动企业购买算力、推理和完整AI基础设施。因此，Reflection真正卖的是围绕Beam建立整套智能基础设施的能力。
它甚至将自己与早期AWS、GCP类比。AWS最初是Amazon为解决自身服务器基础设施问题而发展出来的，Google Cloud则来自Google支撑搜索业务形成的大规模分布式系统能力。Reflection的逻辑是，自己为训练前沿模型，本来就必须解决数万亿Token服务、数十亿Agent沙箱、GPU调度等问题，这些内部技术最终也可像云计算一样向外输出。
Mistral的商业模式同样强调企业部署，但它更偏向“欧洲版全栈AI”。
Arthur主张，小而高效、可定制和部署的开放模型，比只追求最大规模的通用模型更符合企业需求。Mistral同时建设自己的模型、企业定制平台和欧洲算力基础设施，希望成为从训练、推理到部署都能发生在欧洲法律和基础设施体系内的供应商。
在其看来，欧洲企业不能将核心AI能力完全建立在别国厂商是否愿意继续提供服务之上，也不能将自己的技术底座转而交给他国模型。Mistral因此不仅要自己训练模型，还在欧洲建设数据中心，希望控制从算力、模型到企业部署的完整链条。
对国内开放模型的态度
两家公司一个身处欧洲，一个来自美国，但近期创始人的公开表态显示，他们对开放模型正在形成一套越来越相似的判断：AI市场已从“谁能提供最好用的API”，进入“谁拥有模型、谁控制基础设施”的阶段。
在“为什么必须做开放模型”这个问题上，Reflection的解释是：AI市场正在从“租赁智能”走向“拥有智能”。
Misha将闭源API比作“租房”。过去三年，AI商业市场刚刚形成，企业调用OpenAI、Anthropic、Google等公司的模型，本质上是在租用智能。这种模式在市场早期足够简单，也足够高效。但随着AI真正进入企业核心业务，事情开始发生变化。
“几年前还很小的创业公司已成长为大型企业，大型企业自己也开始真正使用AI，所有权市场自然就出现了。”Misha表示，如果一家公司希望真正拥有智能，就必须能将模型部署在自己的基础设施上，控制数据、修改模型、进行定制，而这意味模型必须足够开放。
Ioannis则从技术角度表示，开放模型与闭源模型最前沿之间的距离正在缩小，且“没有任何技术理由会决定开放模型必须永远落后”。在他看来，只要拥有足够的人才和算力，开放模型完全有能力做到与闭源模型相同的水平。过去企业不用开放模型，一个核心原因只是“能力还不够”；现在，一批中国开放模型已能直接替代闭源模型完成大量任务，商业迁移的前提开始成立。
Mistral CEO Arthur Mensch的判断与Reflection在这一点上非常接近。在他看来，随着开放模型能力提升，大量企业已没有必要继续为闭源模型支付额外的API溢价。他近期表示，Mistral接触的大约99%企业场景都可用开放模型完成。
那为什么过去一年是中国模型先跑出来呢？
两家公司对此的判断也颇为一致：中国开放模型的领先不是单纯某一家公司偶然跑出一款好模型，而是商业激励、产业环境和训练资源共同作用的结果。
Misha表示，美国过去其实也曾拥有最强的开放模型，Llama 3就是一个明显节点。但当时美国AI商业市场仍以API为主，Meta或其他公司并没有足够强的商业动力持续将最前沿能力开放出去。
中国的情况不同。DeepSeek V3是一个重要转折点，它第一次让来自中国的开放“智能”在全球形成大规模影响，此后中国出现了一次更集中的开放模型推进。Misha认为，这背后相当一部分动力来自：建设自己的开放权重生态，本身就具有产业和战略价值。
“实际上，这些中国实验室直到最近都没有赚到太多钱。只是现在它们的模型能力足够强了，同时市场也成熟到可以为开放智能买单，所以它们才开始真正产生收入。”Misha说道。
Arthur则从偏工程层面解释：中国头部实验室的算力虽然低于美国最大的几家AI公司，但仍高于Mistral；与此同时，它们会尽可能使用互联网上的数据，迭代方式也已工业化。这些条件让中国实验室能够快速迭代。
开放模型会不会更危险？
虽然两家公司都在积极为开放模型辩护，但都没有将自己描述成“所有模型都应该无条件开放”的极端开放派。
Reflection的核心安全论点是，开放本身能增加系统安全性。Misha借用了开源软件世界里的“Linus定律”：只要有足够多双眼睛，所有漏洞都会变得浅显。在他看来，封闭AI实验室只有几百名安全研究人员，不可能覆盖极其复杂模型里的所有长尾问题。如果开放模型能让数十万研究者参与检查、攻击和修复，整个生态反而可能更加安全。
OpenAI内部网络安全评测中的智能体越出测试环境并进入Hugging Face系统一事，被Reflection反复引用。Misha认为，这件事说明单一安全哲学并不可靠：封闭模型可能因安全护栏无法执行某些防御任务，而开放模型能提供另一套工具。
Ioannis进一步提出“用AI防御AI”的思路。随着模型越来越强，未来一个行为异常的Agent可被另一个AI系统发现和约束。模型和提供者越多，系统的冗余就越高；如果最强能力只集中在一两家公司手中，反而会形成“单点故障”。
但Reflection同样承认，开放并不是无限制的。Ioannis明确表示，模型达到某种能力等级之后，部署方式需要更加谨慎；Misha也表示，模型超过某个风险阈值后，行业和政府应共同决定在什么条件下可以发布，以及是否需要访问控制。
Arthur则近期公开反驳过关于超级智能失控风险的说法。相比主动减速，他更倾向于加强Agent监控、安全工程和实际治理。
这与Anthropic的立场其实也存在一部分重合。Anthropic对开放权重的高风险扩散更加谨慎，但同样主张开放与闭源模型应面对一致的能力安全门槛。
参考链接：
https://reflection.ai/blog/introducing-beam?utm_source=chatgpt.com
https://mistral.ai/news/mistral-large-4/?utm_source=chatgpt.com
https://www.youtube.com/watch?v=BKnAeVej0dc
本文来自微信公众号“InfoQ”，作者：褚杏娟，36氪经授权发布。