开源权重逼近前沿：501B Beam与816B Meta MoE同周登场

过去一周（2026-10-10 至 10-17），大模型赛道出现了一个值得单独拎出来讨论的现象：闭源旗舰与开源权重之间的能力差距，被压缩到了几乎可以忽略的位置。Google 把 Gemini 4 Argon 推上正式可用，Meta 放出 816B 的 Muse Spark Open，新实验室 Reflection 则用 501B 的 Beam 完成了自己的首次亮相。三个模型前后脚落地，且都把"智能体编程"和"百万级上下文"写在了宣传语里。

三条重量级发布撑起一周

Gemini 4 Argon：闭源旗舰的定价窗口

Google 在 10 月 13 日宣布 Gemini 4 Argon 正式可用，定位是处理复杂多步骤任务——编程、金融、法律、网络安全、科研，统一输入输出上下文达到 100 万 token。

真正值得开发者注意的是价格节奏。入门期 API 定价为输入 2 美元/百万 token、输出 10 美元/百万 token，缓存输入还有 95% 折扣；但这个价格只维持到 11 月 30 日，之后翻倍到 4 美元和 20 美元。Simon Willison 在插件更新日志里把这次调价和 Claude Opus 5.5 的定价做了对照，结论很直接：如果成本敏感，现在是用量的窗口期。模型已经落地在 Gemini 应用、AI Studio、Android Studio、Antigravity 和 Gemini for Business 中。

什么是“缓存输入”折扣：大模型 API 的输入 token 计费中，如果多次请求携带相同的前缀（如长系统提示、代码仓库上下文、多轮对话历史），服务商可将这部分前缀的 KV cache 保留复用，不必每次重新计算。命中的部分按远低于标准输入的价格计费，通常为原价的 5%–25%。对需要反复查询同一份长文档或同一套工具定义的智能体编程场景，这项折扣能显著压低实际成本。因此文中“缓存输入还有 95% 折扣”意味着缓存命中部分只按标准输入价的约 5% 收费，是评估真实使用成本时必须纳入的变量。

Muse Spark Open：Meta 的开源多模态重注

Meta 这次没有在自家 ai.meta.com 博客上发模型消息（该博客最新文章还停在 7 月），而是通过 Hugging Face 发布了 Muse Spark Open。这是一个约 816B 总参数、每 token 激活约 42B 的多模态 MoE，上下文最高 100 万 token，被 Meta 称为"迄今最强的美国开源权重模型"。

输入侧支持文本、图像、音频、视频，输出为纯文本。BF16 权重约 1.5TB，量化版本可以在高内存 Mac 上跑，官方适配了 llama.cpp、vLLM、SGLang、MLX 和 HF Inference Endpoints。同周 Meta 还通过 Simon Willison 的 llm-meta-ai 0.2 插件曝光了闭源的 Muse Wonder 与 Muse Wonder Full——Willison 推测这可能是 Meta 首批"Fable class"模型，Artificial Analysis 给出的评价是 Max 版本大致与 GPT-6.1 Sol 持平，并提供六档推理强度。

MoE 的“总参数”与“激活参数”：混合专家（Mixture-of-Experts）模型把前馈层拆成多个专家子网络，每个 token 只被路由到其中少数几个，因此推理时真正参与计算的参数量远小于权重总参数量。文中 816B 总参数、约 42B 激活参数，意味着存储仍需容纳全部约 1.5TB 的 BF16 权重，但单 token 算力开销接近一个 42B 稠密模型。这解释了为什么它能在高内存 Mac 上以量化版本运行：瓶颈是显存/内存容量而非算力，量化把权重体积压到可接受范围即可。评估 MoE 时，总参数决定部署门槛，激活参数决定推理速度与算力成本，两者需分开看。

Beam：新实验室的 501B 首秀

Reflection 这家美国新实验室的第一枪就是前沿规模：Beam 是 501B 参数的开放 MoE，每 token 激活 23B，Apache 2.0 许可，100 万 token 上下文，目标场景同样是编程与智能体任务。

工程落地做得比较完整：transformers、vLLM、SGLang 均提供 Day-0 支持，附带 SFT/RL 配方。一个约 280GB 的 NVFP4 检查点可以在 4 张 B200 上运行，而完整 BF16 需要约 1TB 显存。对想自己拥有并定制前沿模型的团队来说，这个许可和硬件门槛的组合相当有吸引力。

NVFP4 检查点与 B200 部署门槛：NVFP4 是英伟达在 Blackwell 架构上主推的 4 位浮点权重格式，相比 BF16 可将模型体积压缩到约四分之一，同时保留可接受的精度，并能在硬件层面获得原生加速。文中约 280GB 的 NVFP4 检查点能在 4 张 B200 上运行，而完整 BF16 需约 1TB 显存，差额正来自这一压缩比。B200 单卡显存为 180GB 级别，4 卡合计约 720GB，足以容纳 280GB 权重并留出 KV cache 与激活值空间；若跑 BF16，则需 8 卡以上的同级别机器。对自建团队而言，量化格式的选择直接决定了所需 GPU 数量与租赁成本。

巨头之外：小模型在解决具体问题

本周的另一条线索是，任务专精的小模型正在密集出货，而且往往比大模型更贴近真实工作流。

Mistral 推出了 Timestral，这是它首个时间序列基础模型家族，四个规格（5M、28M、123M、209M 参数），做概率性多变量预测，覆盖传感器监控、异常检测、容量规划。Mistral 称 209M 版本在 GIFT-Eval/TIME/fev-bench 的零样本预训练模型中排名第一，纯 CPU 运行，单次预测 10–140ms，支持 32768 步上下文，采用"Modified MIT"许可，权重已上 GitHub 和 Hugging Face。不想为预测任务搭 GPU 的团队可以直接用。

LightOn 的 ColGrep-Agent 走的是另一条路：一个 2B 参数的本地代码搜索模型，让编程智能体把仓库检索外包出去，而不是硬用 grep。在 Claude Code 上实测，API token 减少 34%，缓存感知成本降低 40%，准确率没有明显损失，代价是延迟从 13.0 秒升至 21.6 秒中位数。GGUF 权重已经可用。

IBM 的 Granite Switch 4.1（8B、30B）把基础对话模型、Decision 适配器、Guardian 安全适配器和内嵌语音转文字模型打包进一个端点。关键在于适配器复用基础模型的 KV cache，所以整套组合的显存开销和单独跑基础模型差不多，省掉了三套独立部署。

其他值得记录的还有：Black Forest Labs 的 FLUX.3 Image Klein 获得 Diffusers 首日支持，蒸馏检查点在 H100 上约 2 秒生成 1024x1024 图像；FrontiersMind 的 Lumma-Fev-27B 在决策准确率上以 90.7% 对 83.9% 领先 TypeSafe Jev，但通用推理仍落后；Ai2 的 HiRO-ACEv2 以约 300 倍低于 X-SHIELD 的成本生成全球 3km 气候数据；DMIS Lab 的 UltraBERT 用一个编码器同时做分类和检索；Liquid AI 的 LFM2.5-24B-A2B 每 token 只激活 2B 参数，在 Apple M5 Max 上跑到 184 tokens/s。

“接口兼容适配器”（LoRA 式组合）省显存的原理：IBM Granite Switch 4.1 把对话、决策、安全护栏和语音转写打包进单一端点，靠的是适配器复用基础模型的 KV cache。这类适配器通常是低秩增量权重，挂在同一底座之上，共享底座的前缀缓存与注意力状态。因此多任务并行时，显存占用约为“一份底座 + 若干轻量增量”，而非“多份完整模型”。代价是各任务共享同一底座容量，能力上限受底座约束，且任务切换需在同一服务进程内调度。对需要在一个端点内同时提供对话、合规过滤和专用判断的团队，这种打包方式能省掉多套独立部署的运维与显存开销。

开源与闭源的界线正在失效

把这几条新闻放在一起看，最清晰的信号是："前沿能力"不再是闭源模型的专属标签。Google 用按 token 计费的闭源旗舰守住商业侧，Meta 和 Reflection 则在 24 小时内先后放出 816B 和 501B 的开放权重模型，参数规模、上下文长度、目标场景几乎对齐。

另一个趋势是模型组合策略的成熟。团队不再等待一个万能模型，而是把巨型通用模型和窄领域、低成本的小模型搭配使用——Timestral 负责预测、ColGrep-Agent 负责检索、Granite Switch 负责多任务端点。这种"大模型打底、小模型干活"的架构，可能比单纯追逐参数规模更能决定实际的落地效果。

至于 Anthropic，本周没有模型相关动作，公开动态集中在政策与业务扩张（独立评估者更新、中期选举准备、新加坡办公室），可以视作一个安静的观察窗口。