两台 Mac Studio 与四张 B200：开源旗舰的入场券标价

过去一周，开源模型这条线上发生了两件性质相同、体量不同的事。10 月 15 日，Meta 放出开放权重多模态模型 Muse Spark Open，总参数量 8160 亿；10 月 16 日，美国实验室 Reflection 在开源社区把首款开放权重模型 Beam 的权重挂出，总参数量 5010 亿。两家都不是小团队，也都不是试水之作——它们把自家旗舰级的东西，直接摆到了任何人都能下载的位置上。

但把权重下载下来，与把模型用起来，中间隔着一段不便宜的硬件账单。这一周真正值得读的，是这段账单的具体金额。

一、两份权重的规格对照

先看 Meta 这份。据 TechCrunch 报道，Muse Spark Open 采用混合专家（MoE）架构，总参数 8160 亿，每一枚 token 只激活其中 420 亿，上下文窗口最高支持 100 万 token，每层设 256 个专家、每次路由 8 个。输入侧支持文本、图像、音频、视频四类，输出侧只出文本。它跑在苹果 MLX 框架上，单台 Mac Studio 撑不住完整检查点，需要两台配 M5 Ultra 芯片的机器通过雷雳 5 链路并联，合计约 1TB 统一内存——这也解释了为什么普通消费级 Mac 无法部署。服务器侧另有路径：4 位压缩版本要求至少 700GB 显存，全精度版本约需 2TB。许可协议为 Muse Model License，被描述为「允许有限商业使用」，具体门槛未在报道中展开。

再看 Reflection 这份。据开源社区发布说明，Beam 为稀疏 MoE，52 层、每 MoE 层 256 个专家、每 token 路由 8 个，总参数 5010 亿、激活 230 亿，上下文同为 100 万 token，纯文本进出。权重提供 BF16、FP8、NVFP4 三种精度：BF16 检查点约 1TB，NVFP4 压缩到约 280GB，但该格式需要英伟达 Blackwell 架构芯片原生支持。官方给出的部署建议是「按四张 B200 规划、约 720GB 显存」，两张 B200 只能勉强装下权重、留给长上下文的余量很少。许可为 Apache 2.0，不限制商用、改作、再分发，也明确不禁止蒸馏与微调。

• 总量对比：Meta 8160 亿 / 激活 420 亿；Reflection 5010 亿 / 激活 230 亿。激活占比前者约 5.1%，后者约 4.6%，两家都把「大容量、小开销」当成主要卖点。
• 落地门槛对比：Meta 走消费级并联路线（两台 Mac Studio，约 1TB 内存），Reflection 走数据中心 GPU 路线（四张 B200，约 720GB 显存）。
• 许可差异：Apache 2.0 对商业使用与二次开发几乎不设问，Muse Model License 属于有限开放。这一条比参数表更影响企业选型。

二、开源的不是算力，是把资本开支搬回自己账面

Reflection 的规模细节值得单独拆开看。据公开资料，这家公司 2024 年由两位前 Google DeepMind 研究员 Misha Laskin 与 Ioannis Antonoglou 创立，最初做软件开发自动化工具，Beam 是其转向自研基础模型后的第一款产品。为训练这一个模型，官方披露的信息是按 23.8 万亿 token 做预训练，然后在 1.05 万张英伟达 GB300 上跑了四周以上强化学习，产生超过一亿条 rollout。此前这家公司还先后签下数十亿美元量级的算力合约。

把这些数字和「开源免费」四个字放在一起，意思就很清楚了：所谓开源模型，免费开放的是产物，不是生产能力。权重的确可以零成本下载，但要让它达到可用状态，使用者必须自行承担显存、电费、运维和调优。承德之处在于，这笔支出从「按 token 付费」的运营费用，变成了「买卡建集群」的资本开支；对预算有限的小团队而言，这个转换并不总是划算。

这也解释了为什么同一天还有另一条看起来无关的消息值得放在一起看。Reflection 发布权重后，托管渠道同步开卖：有平台把 Beam 的接口定价列为每百万 token 输入 1.30 美元、输出 0.13 美元起。也就是说，同一份 Apache 2.0 权重，既有「你自己攒四张 B200」的自建路径，也有「按量付费」的托管路径，两条路的价格结构完全不同，用户按调用量与数据敏感度二选一。开源的商业形态，正从「免费替代品」变成「定价锚」。

当权重本身可以零成本复制，稀缺的就不再是模型，而是让模型跑起来的那部分产能。

三、比参数更值得看的，是评测口径

同一周里，Google DeepMind 的 Gemini 4 Argon 在 ARC-AGI-3 上拿下 97.5%，成为继 OpenAI 之后第二家越过 95% 线的实验室。但这个数字需要读得细一点：据 ARC Prize 公布的口径，97.5% 来自允许使用厂商自有特性的「供应商适配器」测试环境，单次运行成本约 4800 美元；换成限制记忆方式的「标准测试环境」，同一模型掉到 49.8%，成本反而升到约 5800 美元。前者依靠可保留的推理状态与上下文压缩，后者每轮动作后丢弃内部推理。

这接近 48 个百分点的落差，说明评测框架本身已经成为竞争变量。更稳的信号来自综合指数：据 Epoch AI 的汇总，Argon 在该指数上得 165 分，与榜首差距缩到两分以内，但在数学与软件工程两个分项上仍排在第 8 与第 6 位。对做编码智能体或量化工作的人来说，这两个分项的排名比总榜位置更有参考价值。

同一逻辑也适用于开源模型的对比。Meta 自测的一张表相当坦率：在综合智能指数上，Muse Spark Open 得 39 分，低于 GLM 5.3 的 45 分与 Kimi K3 的 44 分；在终端环境编码任务上，76.4 的分数落后于 83.9 与 85.0；软件工程基准上 60 分同样落后于 67 与 68。它领先的项是工具调用：在 MCP-Atlas 上以 89.2 分居前，JobBench 的智能体任务得 61.8 分。这几组数字共同指向一个事实——开放模型阵营的分工已经出现，中国模型在编码与软件工程上保持领先，美国的追赶者选择从工具使用与智能体编排切入。

四、另一条线：视频生成的时长门槛被推高

同期国内视频生成这条线也在动。可灵于 10 月 15 日晚间宣布 Kling 4.0 正式全量上线。据官方介绍，这一版支持单次原生生成最长 30 秒视频，借助多次续拍可延展至约 2 分钟；输出支持 4K 与 1080p 的 10-bit HDR、兼容 21:9 超宽画幅；单次任务最多可组合 10 张图片、5 段视频与 7 个主体，关键帧输入上限 10 张，提示词上限提升至 8000 tokens；音频侧支持双通道立体声并收紧了角色口型匹配。面向企业与开发者的接口服务将在近期开放，模型同时接入了可灵 MCP 与命令行工具。

商业化数据方面，公开披露的信息是：今年第一季度营收超 6.5 亿元、同比增长超过 300%，第二季度营收超 8.5 亿元、同比增长超过 200%；截至 6 月全球用户突破 1 亿、覆盖 224 个国家和地区、企业客户近 5 万家。单次生成时长从数秒级推到 30 秒，对内容生产是量变——它让「一条完整叙事」落进单次调用里，减少了拼接与一致性维护的成本，这也是短剧与广告类业务最在意的环节。

五、对创业者与投资人的三点提示

第一，选型的成本核算方式要换。过去比的是每百万 token 多少钱，现在要问的是：这份权重放在哪里、要多少显存、要不要连带买电和运维。同一份 Apache 2.0 权重，自建和托管是两套完全不同的账。

第二，许可条款的权重在上升。同为「开放权重」，Apache 2.0 与有限商业许可对企业落地的约束差一个层级。评估一个开放模型能否进产品线，第一件事是读许可，第二件才是看基准分。

第三，评测数字要找到对应口径。97.5% 与 49.8% 是同一个模型的成绩，差别全部来自测试环境。看到高分时该问的是：这是在什么条件下跑出来的，换成我自己的任务集还成立吗。

结语

这一周的信号可以概括成一句话：开放权重的竞争已经从「谁的分数高」推进到「谁的落地成本低、许可更松、口径更可信」。参数的军备竞赛仍在继续，但决定商业价值的环节，已经挪到了权重之外的地方。