Американская лаборатория Reflection выпускает свою первую модель Beam под открытой лицензией. Эта языковая модель типа смеси экспертов (MoE, архитектура, где лишь часть сети обрабатывает каждый токен, то есть фрагмент текста) насчитывает 501 миллиард параметров, из которых 23 миллиарда активируются для каждого токена. Она принимает текстовый ввод, имеет контекстное окно в 1 млн токенов и распространяется под лицензией Apache 2.0 на Hugging Face.
Beam ориентирован на код и агентное использование, то есть на системы, способные выполнять цепочки действий с помощью инструментов. Он предназначен для команд, которые хотят запускать модель такого размера на собственном оборудовании, своей инфраструктуре или в облаке и адаптировать её под свои нужды. Модель поставляется с открытым фреймворком на Rust — программной средой, которая управляет моделью.
Архитектура на основе экспертов
Beam состоит из 52 слоёв, с 256 экспертами на каждый слой MoE, из которых для каждого токена задействуются 8. Все 256 экспертов остаются в памяти: для развёртывания требуется память модели на 501 миллиард параметров, но вычисления выполняются со скоростью модели на 23 миллиарда. Контрольная точка BF16 весит около 1 ТБ в формате safetensors, тогда как версия NVFP4, которая хранит большинство параметров в 4-битном формате, занимает около 280 ГБ. Согласно документации, чипы Blackwell поддерживают этот формат нативно, тогда как более старые GPU, такие как H200, — нет. Контрольные точки FP8 подходят для архитектур Hopper и Ampere.
Модель предлагает пять уровней рассуждения: « low », « medium » (по умолчанию), « high », « xhigh » и « max ». По собственным данным Reflection, модель набирает 81,6% в бенчмарке SWE Bench Verified в формате BF16, против 80,2% в FP8 и 80,7% в NVFP4. Среди цифр, опубликованных разработчиком, также фигурирует результат в 97,7% на AIME 2026. Hugging Face также провёл пять качественных тестов по конкретным задачам, которые он представляет как « вибро-оценки », а не как стандартные бенчмарки.
Развёртывание и кастомизация
Beam поддерживается с момента запуска библиотеками transformers, SGLang и vLLM. Hugging Face также предоставляет рецепты для контролируемой тонкой настройки (SFT, которая заключается в обучении модели на размеченных примерах) и обучения с подкреплением (RL). В одном из примеров тонкая настройка с помощью адаптеров LoRA, которая изменяет лишь небольшую часть весов, позволила получить ответ на запрашиваемом языке по всем 16 промптам, в то время как базовая модель справилась лишь с 3 из 16. Этот тест измеряет соблюдение языкового требования, а не корректность рассуждений. Доступ к Beam также возможен через Inference Providers, включая Baseten, Fireworks и Together.
Reflection также объявляет о выделении 10 000 долларов кредитов на Hub для лучших проектов, созданных на основе Beam. Участники должны опубликовать демо, квантованную модель, синтетический датасет, среду для обучения с подкреплением или бенчмарк, а затем поделиться ссылкой во вкладке обсуждений на странице модели.
