O laboratório norte-americano Reflection publica o Beam, o seu primeiro modelo, sob licença aberta. Este modelo de linguagem do tipo mistura de peritos (MoE, uma arquitetura em que apenas uma parte da rede processa cada token, ou seja, cada fragmento de texto) conta com 501 mil milhões de parâmetros, dos quais 23 mil milhões são ativados para cada token. Aceita texto como entrada, dispõe de uma janela de contexto de 1M tokens e é distribuído sob licença Apache 2.0 no Hugging Face.
O Beam está orientado para código e usos agentivos, ou seja, sistemas capazes de encadear ações com ferramentas. Destina-se a equipas que pretendem executar um modelo deste tamanho no seu próprio hardware, na sua infraestrutura ou na cloud, e adaptá-lo às suas necessidades. É fornecido com um harness open source escrito em Rust, um ambiente de software que pilota o modelo.
Uma arquitetura de peritos
O Beam compreende 52 camadas, com 256 peritos por camada MoE, dos quais 8 são solicitados para cada token. Os 256 peritos permanecem em memória: a implementação exige, portanto, a memória de um modelo de 501 mil milhões de parâmetros, mas o cálculo é feito à velocidade de um modelo de 23 mil milhões. O ponto de verificação BF16 pesa cerca de 1 TB no formato safetensors, enquanto a versão NVFP4, que armazena a maioria dos parâmetros em 4 bits, desce para cerca de 280 GB. Segundo a documentação, os chips Blackwell executam nativamente este formato, enquanto GPUs mais antigas como o H200 não o conseguem. Os pontos de verificação FP8 são adequados para as gerações Hopper e Ampere.
O modelo propõe cinco níveis de raciocínio: « low », « medium » (predefinido), « high », « xhigh » e « max ». A Reflection reporta, de acordo com os seus próprios resultados, uma pontuação de 81,6% no benchmark SWE Bench Verified em BF16, contra 80,2% em FP8 e 80,7% em NVFP4. A pontuação de 97,7% obtida no AIME 2026 figura igualmente entre os números comunicados pelo editor. O Hugging Face conduziu ainda cinco testes qualitativos sobre tarefas específicas, que apresenta como avaliações « vibe » e não como benchmarks.
Implementação e personalização
O Beam é suportado desde o seu lançamento pelas bibliotecas transformers, SGLang e vLLM. O Hugging Face fornece também receitas para o ajuste fino supervisionado (SFT, que consiste em treinar um modelo com exemplos anotados) e a aprendizagem por reforço (RL). Num exemplo, o ajuste fino por adaptadores LoRA, que modifica apenas uma pequena parte dos pesos, permitiu obter uma resposta na língua solicitada em 16 prompts em 16, contra 3 em 16 para o modelo base. Este teste mede o respeito pela língua, e não a correção do raciocínio. O Beam é igualmente acessível via Inference Providers, com os fornecedores Baseten, Fireworks e Together.
A Reflection anuncia ainda 10 000 dólares em créditos no Hub, distribuídos pelos melhores projetos construídos com o Beam. Os participantes devem publicar uma demonstração, um modelo quantizado, um conjunto de dados sintético, um ambiente de aprendizagem por reforço ou um benchmark, e depois partilhar o link no separador de discussões da página do modelo.
