Reflection AI در ۵ اکتبر ۲۰۲۶ نخستین مدل open-weight خود را با نام Beam معرفی کرد. Beam یک مدل Mixture-of-Experts با ۵۰۱ میلیارد پارامتر کل و ۲۳ میلیارد پارامتر فعال به‌ازای هر توکن است که برای کدنویسی، استدلال و بارهای کاری ایجنتی آموزش دیده. تیم Reflection می‌گوید این مدل با GLM 5.2 رقابت می‌کند، اما در بنچمارک‌های استدلالی ۳ تا ۴ برابر محاسبات استنتاجی کمتری مصرف می‌کند.

مشخصات فنی و دسترسی#

Beam یک مدل متنی است با پنجره‌ی مؤثر ۱ میلیون توکنی. کاربران یک پارامتر «تلاش استدلالی» در اختیار دارند؛ مقادیر پایین‌تر پاسخ کوتاه‌تر و مقادیر بالاتر استدلال بلندتر روی تکالیف دشوار تولید می‌کند. لایسنس برنامه‌ریزی‌شده Apache 2.0 است.

وزن‌های مدل هنوز منتشر نشده و قرار است اواخر اکتبر ۲۰۲۶ در دسترس قرار گیرد. در حال حاضر مدل در مرحله‌ی نهایی red-teaming است و دسترسی اولیه فقط از طریق waitlist روی پلتفرم Reflection امکان‌پذیر است. یعنی فعلاً امکان self-hosting وجود ندارد.

جزئیات آموزش#

پیش‌آموزش روی ۲۳٫۸ تریلیون توکن انجام شد و تیم می‌گوید حدود ۹۵ درصد توکن‌های خام اینترنت حذف شده‌اند، اما ۱٫۸ تریلیون توکن باکیفیت که فیلترهای معمولی دور می‌ریختند، نگه داشته شده‌اند. این مرحله روی ۶۱۴۴ GPU انویدیا GB300 NVL72 در کمتر از ۴ هفته کامل شد.

مرحله‌ی تقویتی (RL) محور اصلی مقیاس‌پذیری Beam بوده است: ۱۰٫۵ هزار GPU انویدیا GB300 به‌مدت ۴ هفته، بیش از ۱۰۰ میلیون rollout، و حدود ۱٫۳ میلیارد sandbox در نزدیک به ۱ میلیون محیط کدنویسی، ایجنتی و STEM. تیم می‌گوید با افزایش محاسبات RL به نقطه‌ی اشباع نرسیده است.

بنچمارک‌ها#

بر اساس اعداد منتشرشده توسط خود Reflection:

  • SWE-bench Verified: امتیاز ۸۰٫۹ (در مقابل ۷۰٫۷ برای Nemotron 3 Ultra)
  • Terminal Bench v2.1: امتیاز ۸۰٫۱ (نزدیک به GLM 5.2 با ۸۱٫۰؛ DeepSeek V4.1 Flash با ۹۰٫۶ و Kimi K3 با ۸۸٫۳ جلوتر هستند)

تیم Reflection صریح می‌گوید که Kimi K3 از نظر توان خام جلوتر است و پیشنهاد اصلی Beam کارایی در زمان استنتاج است.

تحلیل: چه چیزی عوض می‌شود و چه چیزی نمی‌شود#

برای کسی که همین حالا با ابزارهای ایجنتی و اتوماسیون کدنویسی کار می‌کند، Beam یک گزینه‌ی جدید است، نه یک نقطه‌ی عطف. اعداد Terminal Bench نشان می‌دهد که هنوز فاصله‌ی محسوسی با DeepSeek V4.1 Flash و Kimi K3 وجود دارد. ادعای «۳ تا ۴ برابر محاسبات کمتر» اگر درست باشد، برای deployment در مقیاس معنادار است — ولی تا انتشار وزن‌ها و تأیید مستقل، این عدد را باید از چشم Reflection دید.

نکته‌ی عملی مهم‌تر: دسترسی اولیه فقط از طریق waitlist و مدل هنوز در red-teaming است. یعنی تا اواخر اکتبر و احتمالاً بعد از آن، امکان self-hosting وجود ندارد. اگر کسی روی معماری MoE با پارامتر فعال کم برای ایجنت‌های کدنویسی‌محور کار می‌کند، باید صبر کند تا اعداد بنچمارک توسط منابع مستقل بازتولید شوند.

منبع: MarkTechPost