Il laboratorio americano Reflection pubblica Beam, il suo primo modello, con licenza aperta. Questo modello linguistico di tipo misto di esperti (MoE, un’architettura in cui solo una parte della rete elabora ogni token, cioè ogni frammento di testo) conta 501 miliardi di parametri, di cui 23 miliardi vengono attivati per ogni token. Accetta testo in input, dispone di una finestra di contesto di 1M token ed è distribuito con licenza Apache 2.0 su Hugging Face.
- Reflection pubblica Beam, un modello linguistico open source da 501 miliardi di parametri, con licenza Apache 2.0.
- Beam è orientato al codice e agli usi agentici, e può essere eseguito sul proprio hardware o nel cloud.
- Il modello attiva 23 miliardi di parametri per token, ma richiede la memoria di un modello da 501 miliardi.
- Beam è supportato da transformers, SGLang e vLLM, e può essere personalizzato tramite SFT, RL o LoRA.
Beam è orientato verso il codice e gli usi agentici, cioè i sistemi capaci di concatenare azioni con strumenti. Si rivolge ai team che vogliono far girare un modello di queste dimensioni sul proprio hardware, sulla propria infrastruttura o nel cloud, e adattarlo alle proprie esigenze. È fornito con un harnais open source scritto in Rust, un ambiente software che pilota il modello.
Un’architettura a esperti
Beam comprende 52 strati, con 256 esperti per strato MoE, di cui 8 vengono sollecitati per ogni token. I 256 esperti rimangono in memoria: il dispiegamento richiede quindi la memoria di un modello da 501 miliardi di parametri, ma il calcolo avviene alla velocità di un modello da 23 miliardi. Il checkpoint BF16 pesa circa 1 TB in formato safetensors, mentre la versione NVFP4, che memorizza la maggior parte dei parametri in 4 bit, scende a circa 280 GB. Secondo la documentazione, i chip Blackwell eseguono nativamente questo formato, mentre GPU più vecchie come l’H200 non possono farlo. I checkpoint FP8 sono adatti alle generazioni Hopper e Ampere.
Il modello propone cinque livelli di ragionamento: « low », « medium » (predefinito), « high », « xhigh » e « max ». Reflection riporta, secondo i propri risultati, un punteggio dell’81,6% nel benchmark SWE Bench Verified in BF16, contro l’80,2% in FP8 e l’80,7% in NVFP4. Il punteggio del 97,7% ottenuto in AIME 2026 figura anche tra i numeri comunicati dall’editore. Hugging Face ha inoltre condotto cinque test qualitativi su compiti precisi, che presenta come valutazioni « vibe » e non come benchmark.
Dispiegamento e personalizzazione
Beam è supportato fin dal suo lancio dalle librerie transformers, SGLang e vLLM. Hugging Face fornisce anche ricette per il tuning fine supervisionato (SFT, che consiste nell’addestrare un modello su esempi annotati) e l’apprendimento per rinforzo (RL). In un esempio, il tuning fine tramite adattatori LoRA, che modifica solo una piccola parte dei pesi, ha permesso di ottenere una risposta nella lingua richiesta su 16 prompt su 16, contro 3 su 16 per il modello base. Questo test misura il rispetto della lingua, e non la correttezza del ragionamento. Beam è anche accessibile tramite Inference Providers, con i fornitori Baseten, Fireworks e Together.
Reflection annuncia inoltre 10.000 dollari di crediti sull’Hub, distribuiti ai migliori progetti costruiti con Beam. I partecipanti devono pubblicare una demo, un modello quantizzato, un dataset sintetico, un ambiente di apprendimento per rinforzo o un benchmark, poi condividerne il link nella scheda delle discussioni della pagina del modello.
