The Pulse
Reflection pubblica i pesi di Beam, il suo modello da 501 miliardi di parametri per gli agenti di coding
Reflection AI ha pubblicato Beam, un modello a pesi aperti da 501 miliardi di parametri destinato al coding, al ragionamento e alle attività degli agenti. Il rilascio con licenza Apache 2.0 comprende una finestra di contesto da un milione d
AI.info Team · Scritto con l’IA ·
Il 16 ottobre Reflection AI ha pubblicato i pesi di Beam, il suo modello da 501 miliardi di parametri per il coding, il ragionamento e le attività degli agenti, dopo averne presentato un’anteprima in precedenza nello stesso mese. Secondo l’azienda, i pesi sono disponibili su Hugging Face con licenza Apache 2.0. «Oggi abbiamo pubblicato i pesi del modello Beam su Hugging Face con licenza Apache 2.0», ha scritto Reflection AI nell’annuncio del rilascio.
501 miliardi di parametri, 23 miliardi attivi
Beam usa un’architettura sparse mixture-of-experts: ha 501 miliardi di parametri in totale, di cui 23 miliardi attivi per ogni token. Reflection lo descrive come un modello che riceve e produce testo, progettato per il coding, il ragionamento e le attività di lunga durata degli agenti. La finestra di contesto dichiarata arriva a un milione di token e il rilascio comprende checkpoint BF16, FP8 e NVFP4.
Il lancio comprende anche un harness per il coding basato su Rust e il supporto fin dal primo giorno in Transformers, vLLM e SGLang, secondo la guida tecnica al lancio di Hugging Face. Questa combinazione è pensata per consentire agli sviluppatori di collegare il modello agli strumenti e ai flussi di lavoro di sviluppo software, anziché usarlo soltanto per generare codice in un singolo turno. Reflection afferma che gli utenti possono scaricare e ospitare autonomamente i pesi, eseguire il fine-tuning di Beam oppure accedere a versioni ospitate tramite la sua API e i suoi partner.
I risultati dei benchmark richiedono una precisazione sull’hardware
Secondo i dati forniti da Reflection e pubblicati nella guida al lancio di Hugging Face, il checkpoint FP8 ottiene l’80,2% su SWE-bench Verified, il 78,9% su Terminal Bench 2.1 e il 78,4% su SWE-bench Pro v2-Hard. I risultati variano a seconda del checkpoint: la stessa tabella riporta l’81,6% su SWE-bench Verified per BF16 e l’80,7% per NVFP4. Sono risultati di benchmark forniti dall’azienda, non un confronto indipendente.
Eseguire Beam in locale richiede molta memoria, nonostante i suoi 23 miliardi di parametri attivi. La guida di Hugging Face afferma che la versione NVFP4 riduce lo spazio necessario per archiviare i pesi del modello da circa un terabyte in BF16 a circa 280 gigabyte. Raccomanda 4 GPU B200 per servire il modello lasciando spazio a contesti lunghi e richieste simultanee; le configurazioni più piccole devono fare i conti con limiti di memoria più stringenti. Una finestra di contesto da un milione di token, quindi, non significa che il modello possa sfruttarla a basso costo sull’hardware di una normale workstation.
Non solo un download
Reflection afferma che più di 40 partner e integrazioni supportano il lancio, tra piattaforme cloud, fornitori di servizi di inferenza e strumenti per sviluppatori. L’elenco comprende Amazon Web Services, Google Cloud, Microsoft Azure, Nvidia NIMs, Ollama, OpenCode e OpenRouter. Dell e HPE figurano nell’elenco per le installazioni on-premises, anche in ambienti sovrani e isolati dalla rete.
L’azienda presenta il rilascio come uno stack aperto costruito attorno al modello, che comprende container per il deployment, integrazioni per l’inferenza, pipeline di personalizzazione e harness per gli agenti. È un aspetto importante perché poter scaricare i pesi è solo una parte di ciò che serve per far funzionare un agente di coding: ai team occorrono anche hardware, software per servire il modello, strumenti di valutazione e modi per collegare il modello ai repository di codice e agli strumenti. La licenza Apache 2.0 di Beam consente un ampio utilizzo dei pesi, mentre la possibilità di usare il modello nella pratica dipenderà dalla capacità degli sviluppatori di eseguirlo e adattarlo all’interno della propria infrastruttura.