Reflection AI Lancia Beam, un modello open-weight da 501B progettato per coding agent

Reflection AI, con sede negli Stati Uniti, ha presentato il suo primo modello open-weight, chiamato Beam. È uno sparse Mixture of Experts (MoE) — una architettura in cui ogni pezzo di input usa solo un piccolo sottoinsieme dei parametri totali del modello — con 501 miliardi di parametri totali ma solo 23 miliardi attivi per token ¹². Il modello è orientato a carichi di lavoro di coding, reasoning e agentic, il che significa che può usare strumenti e compiere azioni multi-step per completare i task.

Performance e concorrenza

Reflection afferma che Beam compete direttamente con modelli open molto più grandi usando da tre a quattro volte meno potenza di inferenza sui benchmark di reasoning ¹. La leaderboard della compagnia mostra Beam che segna 80,9 su SWE-bench Verified, rispetto ai 70,7 di NVIDIA Nemotron 3 Ultra, e 80,1 su Terminal Bench v2.1, vicino ai 81,0 di Z.ai GLM 5.2 ². Modelli frontier come Kimi K3 di Moonshot AI e DeepSeek V4.1 Flash guidano ancora quei medesimi benchmark con 88,3 e 90,6 rispettivamente .

Reflection è esplicita sul divario. Dove Kimi K3 rimane avanti sulla capacità pura, la proposta di Beam è l'inference-time efficiency ². Gli utenti possono controllare quanto sforzo di reasoning il modello impiega con un semplice parametro — impostazioni più basse producono risposte più brevi, impostazioni più alte consentono un reasoning più profondo su task più difficili ¹.

Addestramento su larga scala

Beam è stato pretrained da zero su 23,8 trilioni di token estratti dal web e da dataset proprietari con licenza ¹². Il team di Reflection dice che la sua pipeline di curazione ha rimosso circa il 95 percento dei token grezzi di internet mantenendo circa 1,8 trilioni di token di alta qualità che i filtri convenzionali avrebbero scartato . Il pretraining è girato su 6.144 GPU NVIDIA GB300 NVL72 in meno di quattro settimane, raggiungendo il 92,3 percento di goodput verso la fine .

Il reinforcement learning ha formato l'asse centrale dello scaling. L'esecuzione RL ha usato 10.500 GPU GB300 nel corso di quattro settimane e ha generato oltre 100 milioni di rollout in quasi un milione di ambienti di training per coding, agentic e STEM ¹². Il sistema ha sostenuto in media 110.000 rollout concorrenti, e i nuovi aggiornamenti dei pesi sono raggiunti il fleet di inferenza in circa 12 secondi .

Disponibilità

Beam non è ancora disponibile per deployment self-hosted. Al momento è nella fase finale di red-teaming e valutazione della sicurezza ¹². L'early access avviene tramite una waitlist sulla piattaforma Reflection AI . I pesi completi sotto licenza Apache 2.0, insieme a un technical report e model card, sono previsti per il rilascio alla fine di ottobre 2026 . Reflection ha inoltre addestrato un modello safety e alignment teacher separato, fuso con il teacher RL attraverso multi-teacher on-policy distillation, sebbene i risultati completi sulla sicurezza appariranno nel technical report .

I fatti principali

• Beam è un modello MoE da 501B parametri totali con 23B parametri attivi per token
• Segna 80,9 su SWE-bench Verified e 80,1 su Terminal Bench v2.1
• Pretrained su 23,8 trilioni di token utilizzando 6.144 GPU NVIDIA GB300 in meno di 4 settimane
• L'addestramento RL ha generato 100M+ rollout su 10.500 GPU GB300 nel corso di 4 settimane
• Pesi open pianificati per ottobre 2026 sotto licenza Apache 2.0

Fonti

1. Reflection AI Introduces Beam: A 501B Open-Weight MoE Model With 23B Active Parameters for Coding and Agentic Workloads — marktechpost.com
2. Introducing Beam: Reflection’s 501B open-weight model - alphaXiv