Mga tanong tungkol sa Beam, nasagot

Ang Beam ay isang malaking language model mula sa Reflection AI, na inanunsyo noong October 5, 2026. Isa itong sparse Mixture-of-Experts model na may kabuuang 501 bilyong parameter at 23 bilyong aktibong parameter bawat token, at ginawa para sa coding, reasoning at agentic na gawain. Ito ang unang open-weight na modelo ng Reflection.

Ang Reflection AI ay isang laboratoryo sa New York na itinatag noong 2024 nina Misha Laskin (CEO) at Ioannis Antonoglou, na kapwa dating mananaliksik sa Google DeepMind. Kabilang sa mga mamumuhunan nito ang Nvidia, Sequoia at Citigroup.

Open-weight ang Beam. Ayon sa Reflection, ilalabas nito ang mga weight sa ilalim ng lisensyang Apache 2.0, na nagpapahintulot sa komersyal na paggamit, pagbabago at muling pamamahagi. Hindi open ang training data: bahagi nito ay mula sa mga proprietary na dataset na lisensyado.

Ayon sa Reflection, “later this month”—ibig sabihin, sa October 2026—kasabay ng isang technical report, model card at mga tool para patakbuhin, suriin at i-fine-tune ang modelo. Wala pang ibinigay na eksaktong petsa. Ipinapakita ng aming release tracker ang kasalukuyang status.

Sumali sa waitlist para sa beta API ng Reflection. Makakakuha ang mga aprubadong user ng OpenAI-compatible na endpoint sa https://api.reflection.ai/openai/v1 gamit ang model ID na Beam-501B-A23B. Kapag nailabas na ang mga weight, mapapatakbo mo rin ito nang mag-isa o sa pamamagitan ng mga hosting provider.

Libre ang pag-download at paggamit sa mga weight sa ilalim ng Apache 2.0. Pero hindi libre ang pagpapatakbo ng 501B na modelo: babayaran mo ang mga GPU o ang hosting provider. Wala pang inilalabas na presyo ang Reflection para sa API nito.

Wala pang opisyal na kinakailangan. Tinataya namin na ang mga weight lang ay kukuha ng humigit-kumulang 1 TB sa BF16, humigit-kumulang 500 GB sa FP8 at humigit-kumulang 250 GB sa 4-bit, bukod pa sa memory para sa KV cache. Ibig sabihin, kailangan nito ng server na may maraming GPU; hindi ito tatakbo sa karaniwang laptop o iisang consumer GPU.

Hindi sa karamihan ng nailathalang resulta. Kung ihahambing sa DeepSeek V4.1 Flash, mas mahusay ang Beam sa CritPt at sa AA Omniscience index, pero mas mababa ang marka nito sa pito pang magkaparehong benchmark, kabilang ang Terminal-Bench, DeepSWE, HLE at AutomationBench. Itinatampok ng Reflection ang efficiency at pagiging open model na nakabase sa US, hindi ang lubos na pagdaig sa lahat.

Hindi. Ipinapakita ng sariling talahanayan ng Reflection na nangunguna ang Kimi K3 sa 13 sa 14 na benchmark na iniulat ng dalawang modelo; Beam lang ang nangunguna sa τ³ banking (38.0 kumpara sa 37.1). Ayon sa Reflection, inference efficiency ang lamang ng Beam kumpara sa mga modelong gaya ng Kimi K3.

Software engineering at agentic coding. Nakakuha ito ng 80.9 sa SWE-Bench Verified, 78.0 sa SWE-Bench Multilingual at 80.1 sa Terminal-Bench v2.1. Kaya rin nitong gumamit ng mga tool, mag-browse at tumawag sa iba pang serbisyo sa mahahaba at maraming-hakbang na gawain.

Hindi. Text lang ang Beam. Maaari lang itong gumana sa iba pang uri ng data kapag na-convert ang mga iyon sa text, halimbawa sa pamamagitan ng OCR.

Nakasaad sa beta API ang 256K token na may hanggang 128K output token, at sinasabi ng Reflection na maaaring magbago ito habang beta pa. Ayon sa anunsyo nito, pinalawak ng midtraining ang epektibong context sa 1 milyong token.

Iniulat ng The Wall Street Journal noong Marso 2026 na ginamit ng ilang mamumuhunan ang pariralang ito. Tulad ng DeepSeek, nakatuon ang Reflection sa mga modelong episyente at inilalabas nang bukas; di-tulad ng DeepSeek, isa itong kompanyang Amerikano, na mahalaga sa mga mamimiling mas gustong hindi umasa sa mga modelong Tsino.

Hindi pa, batay sa petsa sa itaas ng aming release tracker. Plano ng Reflection na ilunsad ang mga open weight sa tulong ng mga partner sa pamamahagi at mga integration sa mga open-source library.

Hindi. Isang independiyenteng gabay ang ReflectionBeam. Hindi kami kaanib ng Reflection AI. Nagbibigay kami ng mga link sa mga opisyal na sanggunian para sa bawat numerong inilalathala namin.