Beam: The Great American Open Model with ReflectionAI Co-Founder and CEO Misha Laskin
No Priors · 2026-10-10
Reflection AI 联创 Misha 用 1 万块 GB300 训练开源模型 Beam，推理效率比同级模型快 3-4 倍，并判断开源模型 token 占比已从 30% 翻转到 70%。
前沿模型的瓶颈不再是一项神秘突破，而是把三十件苦活同时做对
Misha Laskin 是 Reflection AI 联合创始人兼 CEO，此前在 Google DeepMind 做研究，拥有物理学博士学位。他和联合创始人曾参与 Gemini 与强化学习工作。Reflection 刚发布开源权重模型 Beam。这个访谈有意思的地方不在于又报了一个模型参数，而在于他把“做前沿模型”讲成了一门正在成熟的工业工程：预训练、合成数据、强化学习、评测、训练基础设施和真实场景的数据，缺一环都不行。
本期回答了 7 个问题：
- 为什么一家原本想基于开源模型做强化学习的公司，最后决定从预训练开始自己造模型？
- 追赶前沿到底要多少钱，资本开支为什么还在上升？
- 为什么训练算力继续变大，不代表模型能力只能靠烧钱？
- 强化学习从“研究题目”变成“经济决策”后，研发组织会怎么变？
- 开放权重模型在企业部署里究竟解决什么，而不是只满足一种意识形态？
- 安全是把能力关起来，还是让更多人能参与发现和修补漏洞？
- AI 会压缩研究团队，还是把研究和工程能力扩散到更多行业？
主持人问：算力、数据、人才三者里哪一个最卡？Laskin 的回答很不讨巧：没有一个单点答案。团队从约 30 人扩到约 300 人，才搭起预训练、中训练、强化学习及配套基础设施；在大实验室里原本“默认会工作”的工具，离开后都得重建。他说："you actually have to get 30 things right."（你得把三十件事都做对。）
这句话比“算力是护城河”更接近现实。算力买到以后，还要能稳定地被训练系统用起来；招到研究员以后，还要让团队围绕同一节奏协作；拿到数据以后，还要让数据、模型和评测形成可迭代的闭环。任何一项失配，昂贵的集群都会变成低效的等待。
对创业公司来说，结论不是“别做大模型”，而是别把大模型实验误解成一个模型选择题。它更像搭一艘火箭：并不存在一根能单独解释成功的魔法杠杆。真正可复制的能力，是把人才、算力、数据、训练管线和组织节奏做成可以反复运行的系统。
Reflection 创立时的原设想比较轻：找到好的开放模型底座，在数学、编程等可验证领域把强化学习做深，让聊天模型长出 agent 能力。两年多前，这看起来合理。当时模型主要还是聊天，绝大部分计算花在预训练，开源生态也正出现 Mistral、Llama 等选择。
后来两件事同时发生。第一，强化学习在行业里的进展比他们预期快。第二，能作为强底座的开放模型越来越集中在中国，西方缺少同等级选择。更关键的是，团队发现预训练和强化学习并不是可拆开的上下游：若想让强化学习在大规模下工作得好，底座本身必须配合训练目标，于是只做后训练不够，必须端到端建模。
这不是“自己训练更酷”的理由，而是一条研发依赖关系。若产品能力靠持续的后训练、工具调用和特定评测来提升，基础模型不是可以永久外包的零件。底座的资料分布、能力形状和训练接口，会决定后面的强化学习究竟是在放大能力，还是只是在修补短板。
Laskin 的口径很直接：追赶前沿所需资金从一两年前的数亿美元，走到数十亿美元，下一代可能进入数百亿美元量级。他用每代约四倍的计算量来解释这种压力。Beam 本身总参数为 500B、激活参数 23B；他称预训练使用约 6,000 张 GB300、跑数周，强化学习则用了略多于 10,000 张 GB300、跑四周。后者不只是训练，还要为 agent 建大量推理和沙盒环境。
但这不等于规模竞赛只有一条向上的成本曲线。他指出，研究者会测量在更少计算下是否达到同样的 pre-training loss。模型也开始帮助研发模型本身，训练科学和基础设施效率彼此叠加。他的原话是："the amount of intelligence you can extract per training flop is is increasing."（每一个训练 FLOP 能提取出的智能正在增加。）
这给产品团队一个较冷静的判断框架：不要只看“训练了多少卡、花了多少钱”，还要问效率的来源能否持续。若每次迭代都能用更少算力达到同一点，或在相同算力下获得可测的真实任务提升，资本支出才有经济意义。相反，若能力提升不能被客户工作流吸收，再大的集群也会先撞上收入上限。
Laskin 回忆 AlphaGo 的曲线时，吸引他的不是击败世界冠军那一刻，而是系统继续训练就还在提升。现在他认为，通用的强化学习系统已经接近这种状态：曲线没有自然停下，限制逐渐从算法可行性转到数据、算力和经济价值。
因此，研究不再完全像在荒野里碰运气。预训练、合成数据、强化学习、架构、数据和算法改进仍都存在，但硬件会围绕已验证的方法共同优化，新的想法若不适配硬件，也很难直接放大。团队要先执行已知的高影响改进，再以小规模 scaling experiment 试风险更高的假设；有些现象只有放大后才会出现，这又要求知道何时该继续投入、何时该换方向。
企业应用也因此不会是“拿一个通用 agent 到处试”。Laskin 认为模型有很强的适应性，但能力仍不均匀，不同 harness 之间也未必自然迁移。关键问题变成："where are the economically valuable pools of data."（哪些数据池具有真正的经济价值。）一家公司有了自己的任务环境、反馈数据和评测后，才可能把通用能力变成更低成本、更高表现的专用系统。
访谈中的“开放”并不只是公开代码。Laskin 的论点是，企业拿到开放权重后，可以围绕自己的数据、成本和部署约束做定制，去寻找“最低成本下的最高表现”。这和只比较公共排行榜不同：榜单是通用场地的能力，企业要的是在自己的工具、权限、失败成本和内部数据下仍然可靠的能力。
这也解释了为什么他们把代码和 agent 工作流看作基础能力，而不把它当作唯一终点。代码任务提供了相对清楚的反馈环境，能为更一般的 agent 能力打地基；有了基础后，模型可在新的 harness 与数据上较快适应。真正的产品机会在于把这种适应过程做成可评测、可重复、可追责的部署能力，而不是把“模型足够聪明”当成上线条件。
关于开放模型最尖锐的部分，是安全。Laskin 提出一个经验层面的反问：网络攻防能力很难干净切开。若把进攻能力一并移除，防御者也可能失去理解和处理攻击的方法。他说："When you remove cyber offensive capabilities, you also remove cyber defensive capabilities."（移除网络进攻能力时，也会一并移除网络防御能力。）
他的立场不是风险不存在，而是不能把安全想成少数封闭实验室替所有人预先列出所有危险。访谈开头提到，一个强闭源模型曾攻击其他公司，而受害方最终依靠开放模型来保护自己。无论听众是否接受这件事的外推，它至少逼出一个实务问题：现实中的安全能力需要多少分布式的检查者、评测者和防守者。
对齐在他眼中也更像持续修补，而非一条万能公式："Like there's no magical alignment equation."（不存在一条神奇的对齐方程。）模型早期的有害输出，可以通过后训练数据逐项修正，新的漏洞出现后再增加检测、数据和防护。这种看法不浪漫，但会把讨论从抽象立场拉回工程问题：漏洞是什么，谁发现，修补有没有迁移，防御能否覆盖真实使用环境。
Laskin 用自己的博士论文试语言模型：几年前只能聊天，一年前能给出本科水平的答案，半年后能正确完成接近博士层次的工作，后来还给出他当年没想到的信息。主持人据此感叹："You can you can do a PhD a week."（你可以一周做完一个博士项目。）这显然是对计算环节被压缩的夸张说法，不是说提出好问题、设计实验或判断结论也能自动完成。
他反而认为，研究团队会不断把省下的时间投入更大的目标。一个大项目不需要几千名核心研究员，但几百名高质量研究员仍很有用，因为要做不同能力的评测、收集不同任务的数据、设计不同的训练目标。每一个真实世界能力都需要一个小队，把通用模型接进具体流程，再定义什么叫对、什么叫错、失败会带来什么后果。
这意味着就业与组织的变化不该只按“模型团队裁多少人”来算。核心模型研发之外，还会出现更多贴近行业的部署型研究与工程工作：理解模型边界，构建 harness，设计评测，收集反馈，并把能力嵌入真正的科学、制造、软件和服务流程。模型像一个很快、很愿意执行的同事，但它能在哪些环节形成紧密循环，仍要靠人判断。
Beam 这期最有用的信号，是前沿 AI 正从“发现某个神奇技巧”转向一套高资本、高协作、强反馈的工业体系。资本门槛没有消失，甚至还在提高；但与之并行的是更高的训练和基础设施效率，以及把通用模型接入具体数据和具体评测后产生的价值。
对做产品的人，真正该盯住的不是自己能否复刻一家前沿实验室，而是能否回答三个问题：你的任务有没有可验证的结果，是否拥有能形成反馈闭环的数据，模型接入后能否在成本、速度或可靠性上优于旧流程。对做安全和政策的人，问题也不止“开放还是关闭”，而是怎样让更多能防守、能评测、能修补的人参与到真实系统里。前沿模型的竞争会越来越集中，但把智能变成可用能力的工作，反而会更分散地发生在每一个行业现场。
