Reflection AI създаде Beam — модел с отворен код и 501 милиарда параметъра за програмиране и агентни задачи, като планира да публикува теглата под лиценза Apache 2.0 по-късно този месец. Отвореният код означава, че разработчиците могат да изтеглят обучения модел и да го изпълняват на собствен хардуер. Beam използва архитектура от типа „смес от експерти“ (mixture-of-experts), така че 23 милиарда от неговите параметри сработват за всеки даден токен, което поддържа ниска цената на всеки отговор.
Beam не води сред отворените модели по чисти резултати. На Terminal Bench v2.1 — тест за работа с команден ред, Beam постигна 80.1 точки спрямо 81.0 за GLM 5.2, 88.3 за Kimi K3 и 90.6 за DeepSeek V4.1 Flash. На DeepSWE v1.1 той постигна 44.4 точки, малко над 44.0 точки на GLM 5.2 и с 29.8 точки зад DeepSeek V4.1 Flash. От Reflection заявяват, че Beam се представя сравнимо с GLM 5.2 при бенчмаркове за усъвършенствано логическо мислене, като същевременно използва три до четири пъти по-малко изчислителен ресурс при извеждане (inference compute).
Приемете тази цифра за изчислителния ресурс като ориентировъчна. От Reflection я определиха чрез формула — двойният брой активни параметри по средния брой генерирани токени — и я наричат приблизително сравнение на изчислителния ресурс, което не измерва разходите за извеждане. Формулата изключва обработката на подканванията (prompts), разходите за внимание (attention costs) и овърхеда при обслужване. Резултатите за конкурентните модели са взети от Artificial Analysis и DataCurve. Ако използвате агенти денонощно, реалната ви сметка зависи от вашите подканвания и хардуер, а този тест трябва да го направите вие.
Обучението не е било достигнало своя плато етап
Reflection прекара четири седмици в обучение с подкрепление (reinforcement learning) — етапът, в който даден модел се подобрява чрез опити за изпълнение на задачи и оценяването им. Процесът използва около 10 500 графични процесора NVIDIA GB300, генерира над 100 милиона опита, използва близо един милион среди за обучение и приблизително 1.3 милиарда изолирани среди (sandboxes) за обучение и оценяване. Компанията твърди, че резултатите все още са се подобрявали, когато процесът е приключил.
Част от наученото от Beam се е разпростряло извън задачите от обучението му. Неговите резултати при преглед в мрежата са се увеличили по време на фаза, чийто набор от задачи не е включвал уеб сърфиране, а при предоставен достъп до мрежата той е започнал да търси и запитва други големи езикови модели, както и да извиква OCR услуги за четене на документи. Това е полезно за един агент. Това също е поведение, което си струва да се записва в логовете, преди да дадете на Beam достъп до мрежата.
Резултатите за безопасност ще бъдат предоставени по-късно
Beam все още е в начален етап на финално симулиране на атаки (red-teaming) и оценка. Reflection обучи отделен модел за безопасност и подравняване от същата начална контролна точка, след което комбинира двата чрез дестилация — процес, който обучава един модел да имитира други. Компанията планира да публикува резултатите за безопасност в технически доклад заедно с пускането на теглата и да предостави с отворен код тестовете за безопасност, разработени вътрешно. Ранният достъп се осъществява чрез списък на чакащите за избрана група потребители.
