Vragen over Beam, beantwoord

Beam is een groot taalmodel van Reflection AI, aangekondigd op 5 oktober 2026. Het is een sparse Mixture-of-Experts-model met in totaal 501 miljard parameters en 23 miljard actieve parameters per token, ontwikkeld voor programmeren, redeneren en agentische taken. Het is het eerste open-weight-model van Reflection.

Reflection AI is een lab uit New York, opgericht in 2024 door Misha Laskin (CEO) en Ioannis Antonoglou, beiden voormalig onderzoeker bij Google DeepMind. Tot de investeerders behoren Nvidia, Sequoia en Citigroup.

Beam is open-weight. Reflection zegt de weights uit te brengen onder de Apache 2.0-licentie, die commercieel gebruik, aanpassing en herdistributie toestaat. De trainingsdata is niet open: een deel ervan is afkomstig uit propriëtaire, gelicentieerde datasets.

Reflection zegt dat dit “later deze maand” gebeurt, oftewel in oktober 2026, samen met een technisch rapport, modelkaart en tools om het model uit te voeren, te evalueren en fijn af te stellen. Er is geen exacte datum bekendgemaakt. In onze release tracker zie je de actuele status.

Meld je aan voor de wachtlijst voor de bèta-API van Reflection. Goedgekeurde gebruikers krijgen een OpenAI-compatibel endpoint op https://api.reflection.ai/openai/v1 met de model-ID Beam-501B-A23B. Zodra de weights beschikbaar zijn, kun je het model ook zelf uitvoeren of via hostingproviders gebruiken.

De weights zijn gratis te downloaden en te gebruiken onder Apache 2.0. Maar het uitvoeren van een model met 501B parameters is niet gratis: je betaalt voor de GPU's of voor een hostingprovider. Reflection heeft geen prijzen voor zijn API gepubliceerd.

Er zijn nog geen officiële vereisten. Volgens onze schatting nemen de weights alleen al ongeveer 1 TB in beslag in BF16, ongeveer 500 GB in FP8 en ongeveer 250 GB in 4-bit, plus geheugen voor de KV-cache. Daarvoor heb je dus een server met meerdere GPU's nodig; op een gewone laptop of één consumenten-GPU draait het niet.

Niet volgens de meeste gepubliceerde cijfers. Tegenover DeepSeek V4.1 Flash scoort Beam beter op CritPt en de AA Omniscience-index, maar lager op de andere zeven benchmarks die beide modellen gemeen hebben, waaronder Terminal-Bench, DeepSWE, HLE en AutomationBench. Reflection benadrukt de efficiëntie en het feit dat het een open model uit de VS is, niet dat het op alle fronten wint.

Nee. Volgens de eigen tabel van Reflection scoort Kimi K3 hoger op 13 van de 14 benchmarks waarover beide modellen cijfers hebben gepubliceerd. Alleen op τ³ banking scoort Beam hoger (38.0 vs 37.1). Reflection zegt dat Beam ten opzichte van modellen als Kimi K3 een voordeel heeft op het gebied van inferentie-efficiëntie.

Software-engineering en agentisch programmeren. Het scoort 80.9 op SWE-Bench Verified, 78.0 op SWE-Bench Multilingual en 80.1 op Terminal-Bench v2.1. Het kan bovendien tools gebruiken, het web doorzoeken en andere diensten aanroepen in lange taken met meerdere stappen.

Nee. Beam werkt alleen met tekst. Het kan alleen met andere soorten gegevens werken als die zijn omgezet naar tekst, bijvoorbeeld via OCR.

De bèta-API vermeldt 256K tokens met maximaal 128K outputtokens. Reflection geeft aan dat dit tijdens de bèta kan veranderen. In de aankondiging staat dat midtraining de effectieve context heeft uitgebreid tot 1 miljoen tokens.

The Wall Street Journal meldde in maart 2026 dat sommige investeerders die uitdrukking gebruikten. Net als DeepSeek richt Reflection zich op efficiënte, openlijk uitgebrachte modellen. In tegenstelling tot DeepSeek is Reflection een Amerikaans bedrijf, wat van belang is voor kopers die liever niet afhankelijk zijn van Chinese modellen.

Nog niet, op de datum bovenaan onze release-tracker. Reflection is van plan de open weights uit te brengen via distributiepartners en integraties met opensourcelibraries.

Nee. ReflectionBeam is een onafhankelijke gids. We zijn niet verbonden aan Reflection AI. Bij elk gepubliceerd cijfer linken we naar officiële bronnen.