The Pulse
Reflection presenta Beam, un modello a pesi aperti da 501 miliardi di parametri
Reflection ha annunciato Beam, un modello da 501 miliardi di parametri destinato alla programmazione, al ragionamento e ai compiti che richiedono agenti. L’azienda afferma che offrirà un accesso anticipato tramite una lista d’attesa prima d
AI.info Team · Scritto con l’IA ·
Reflection ha annunciato Beam il 5 ottobre, descrivendolo come il suo primo modello a pesi aperti e come un sistema progettato per la programmazione, il ragionamento e le attività che richiedono agenti. Il modello sparse Mixture-of-Experts ha 501 miliardi di parametri complessivi, di cui 23 miliardi attivi per token. I pesi, però, non sono ancora disponibili: Reflection afferma che Beam è nella fase finale di red-teaming e valutazione e invita gli utenti a iscriversi alla lista d’attesa per l’accesso anticipato.
I pesi di Beam sono attesi più avanti questo mese
Reflection afferma di voler pubblicare i pesi con licenza Apache 2.0 più avanti in ottobre, insieme a un rapporto tecnico, una scheda del modello e strumenti per eseguirlo, valutarlo e sottoporlo a fine-tuning. L’azienda afferma inoltre di collaborare con partner per la distribuzione e con librerie open source. Finché questi materiali non saranno disponibili, gli sviluppatori potranno valutare il modello attraverso il programma di accesso anticipato, che è limitato, ma non scaricarne ed eseguirne i pesi.
La distinzione conta per un modello presentato come a pesi aperti: l’annuncio descrive una pubblicazione prevista, non già avvenuta. Reflection non ha ancora pubblicato il rapporto tecnico né la scheda del modello, che potrebbero fornire agli utenti maggiori dettagli sui dati di addestramento, sui metodi di valutazione e sui requisiti per la messa in produzione.
Reflection riporta buoni risultati nella programmazione, ma anche distacchi in altri test
Nella propria tabella dei benchmark, Reflection riporta per Beam un punteggio di 80,9 su SWE-bench Verified, 77,2 su SWE-bench Pro v2-Hard e 80,1 su Terminal-Bench 2.1. Sono risultati inferiori a quelli di alcuni concorrenti elencati: DeepSeek V4.1 Flash ottiene 90,6 su Terminal-Bench 2.1, mentre GLM 5.3 raggiunge 84,3 su SWE-bench Pro v2-Hard. Nel test HLE senza strumenti, Beam ottiene 36,2, contro i 40,5 di GLM 5.2.
Reflection afferma che Beam si avvicina a Qwen 3.8-Max nei compiti di programmazione e in quelli che richiedono agenti, pur riconoscendo che modelli come Kimi K3 restano superiori per capacità pure. La tabella dell’azienda comprende i risultati di diversi altri modelli, ma contrassegna molte voci come non riportate. Le cifre sono confronti pubblicati da Reflection, non valutazioni indipendenti contenute nell’annuncio.
Il confronto sull’efficienza è una stima
Reflection afferma che Beam raggiunge punteggi di ragionamento paragonabili a quelli di GLM 5.2 usando una potenza di calcolo per l’inferenza da tre a quattro volte inferiore. Il confronto stima il calcolo necessario alla generazione in base ai parametri attivi e al numero medio di token generati, contando sia i token del ragionamento sia quelli della risposta finale. L’azienda precisa che la stima esclude il prefill del prompt, le operazioni di attenzione che variano con la lunghezza del contesto e i costi aggiuntivi del serving: non è quindi una misura del costo totale di messa in produzione.
Questa precisazione è centrale nella presentazione del lancio: i 501 miliardi di parametri complessivi di Beam non si attivano tutti per ogni token e Reflection presenta il minore fabbisogno di calcolo per l’inferenza come un vantaggio pratico per i flussi di lavoro di programmazione e quelli basati su agenti. Che il vantaggio si mantenga nelle applicazioni reali dipenderà da fattori esclusi dalla stima pubblicata, tra cui i costi del serving e dell’elaborazione dei prompt.
L’addestramento ha combinato 23,8 trilioni di token e apprendimento per rinforzo su larga scala
Reflection afferma di aver preaddestrato Beam su 23,8 trilioni di token provenienti da materiale del web, fonti pubbliche e dataset proprietari concessi in licenza. Separatamente, la fase di apprendimento per rinforzo ha generato oltre 100 milioni di rollout nell’arco di quattro settimane su 10.500 GPU NVIDIA GB300. L’azienda riferisce inoltre di aver usato circa 1,3 miliardi di sandbox per l’addestramento e la valutazione.
Reflection afferma che il modello può adattare lo sforzo di ragionamento: impostazioni più basse privilegiano risposte più brevi, mentre quelle più alte consentono un ragionamento più esteso nei compiti impegnativi. Descrive Beam come un modello che tratta solo testo, sebbene le sue dimostrazioni includano compiti che utilizzano informazioni provenienti da altre modalità e rappresentate in forma testuale. Per ora, il calendario annunciato colloca l’accesso pubblico ai pesi dopo l’attuale fase della lista d’attesa, con la pubblicazione sotto licenza Apache 2.0 prevista più avanti in ottobre.