ตอบคำถามเกี่ยวกับ Beam

Beam เป็นโมเดลภาษาขนาดใหญ่จาก Reflection AI ซึ่งประกาศเมื่อ October 5, 2026 เป็นโมเดล Mixture-of-Experts แบบ sparse ที่มีพารามิเตอร์รวม 501 พันล้านตัว และมีพารามิเตอร์ที่ทำงานอยู่ 23 พันล้านตัวต่อโทเคน พัฒนาขึ้นเพื่อการเขียนโค้ด การให้เหตุผล และงานแบบเอเจนต์ นี่คือโมเดลแบบเปิดน้ำหนักรุ่นแรกของ Reflection

Reflection AI ห้องปฏิบัติการในนิวยอร์กที่ก่อตั้งในปี 2024 โดย Misha Laskin (CEO) และ Ioannis Antonoglou ซึ่งทั้งคู่เคยเป็นนักวิจัยที่ Google DeepMind นักลงทุนของบริษัท ได้แก่ Nvidia, Sequoia และ Citigroup

Beam เป็นโมเดลโอเพนเวต Reflection ระบุว่าจะเผยแพร่น้ำหนักโมเดลภายใต้สัญญาอนุญาต Apache 2.0 ซึ่งอนุญาตให้ใช้งานเชิงพาณิชย์ แก้ไข และเผยแพร่ต่อได้ แต่ข้อมูลที่ใช้ฝึกโมเดลไม่ได้เปิดเผยทั้งหมด โดยส่วนหนึ่งมาจากชุดข้อมูลที่มีลิขสิทธิ์และได้รับอนุญาตให้ใช้

Reflection ระบุว่า “ภายในเดือนนี้” ซึ่งหมายถึง October 2026 พร้อมกับรายงานทางเทคนิค การ์ดโมเดล และเครื่องมือสำหรับรัน ประเมินผล และปรับแต่งโมเดล ยังไม่มีการระบุวันที่แน่นอน ตัวติดตามการเผยแพร่ของเราแสดงสถานะล่าสุด

ลงชื่อเข้าร่วมรายชื่อรอใช้ API รุ่นเบตาของ Reflection ผู้ใช้ที่ได้รับอนุมัติจะได้ใช้ปลายทางที่เข้ากันได้กับ OpenAI ที่ https://api.reflection.ai/openai/v1 พร้อมรหัสโมเดล Beam-501B-A23B เมื่อเผยแพร่น้ำหนักโมเดลแล้ว คุณจะสามารถรันโมเดลด้วยตัวเองหรือผ่านผู้ให้บริการโฮสต์ได้เช่นกัน

ดาวน์โหลดและใช้น้ำหนักโมเดลได้ฟรีภายใต้ Apache 2.0 แต่การรันโมเดลขนาด 501B ไม่ฟรี เพราะต้องจ่ายค่า GPU หรือค่าบริการผู้ให้บริการโฮสต์ Reflection ยังไม่ได้เผยแพร่ราคา API

ยังไม่มีข้อกำหนดอย่างเป็นทางการ จากการประเมินของเรา น้ำหนักโมเดลเพียงอย่างเดียวใช้พื้นที่ประมาณ 1 TB ใน BF16, ประมาณ 500 GB ใน FP8 และประมาณ 250 GB ที่ 4-bit โดยยังต้องมีหน่วยความจำสำหรับ KV cache ด้วย จึงต้องใช้เซิร์ฟเวอร์ที่มี GPU หลายตัว ไม่สามารถรันบนแล็ปท็อปทั่วไปหรือ GPU สำหรับผู้ใช้ทั่วไปเพียงตัวเดียวได้

ยังไม่ดีกว่าในตัวเลขที่เผยแพร่ส่วนใหญ่ เมื่อเทียบกับ DeepSeek V4.1 Flash แล้ว Beam ทำได้ดีกว่าใน CritPt และดัชนี AA Omniscience แต่ตามหลังในอีกเจ็ดเบนช์มาร์กร่วมกัน ซึ่งรวมถึง Terminal-Bench, DeepSWE, HLE และ AutomationBench จุดขายของ Reflection คือประสิทธิภาพและการเป็นโมเดลเปิดจากสหรัฐฯ ไม่ใช่การชนะทุกด้าน

ไม่ใช่ ตารางของ Reflection เองแสดงว่า Kimi K3 นำหน้าใน 13 จาก 14 เบนช์มาร์กที่ทั้งสองโมเดลรายงาน โดย Beam นำหน้าเพียง τ³ banking (38.0 เทียบกับ 37.1) Reflection ระบุว่าจุดได้เปรียบของ Beam เมื่อเทียบกับโมเดลอย่าง Kimi K3 คือประสิทธิภาพในการอนุมาน

งานวิศวกรรมซอฟต์แวร์และการเขียนโค้ดแบบเอเจนต์ Beam ได้คะแนน 80.9 ใน SWE-Bench Verified, 78.0 ใน SWE-Bench Multilingual และ 80.1 ใน Terminal-Bench v2.1 อีกทั้งยังใช้เครื่องมือ ค้นดูเว็บ และเรียกใช้บริการอื่น ๆ ในงานหลายขั้นตอนที่ยาวได้

ไม่ Beam รองรับเฉพาะข้อความเท่านั้น โดยจะทำงานกับข้อมูลประเภทอื่นได้ก็ต่อเมื่อแปลงข้อมูลเหล่านั้นเป็นข้อความแล้ว เช่น ผ่าน OCR

API รุ่นเบต้าระบุว่ารองรับ 256K tokens และสร้างเอาต์พุตได้สูงสุด 128K tokens โดย Reflection ระบุว่าตัวเลขนี้อาจเปลี่ยนแปลงระหว่างช่วงเบต้า ส่วนประกาศระบุว่าการฝึกช่วง midtraining ขยายบริบทที่ใช้งานได้จริงเป็น 1 ล้าน tokens

The Wall Street Journal รายงานเมื่อเดือนมีนาคม 2026 ว่านักลงทุนบางรายใช้คำนี้ เช่นเดียวกับ DeepSeek ตรงที่ Reflection มุ่งเน้นโมเดลที่มีประสิทธิภาพและเปิดให้ใช้งาน ต่างจาก DeepSeek ตรงที่ Reflection เป็นบริษัทในสหรัฐฯ ซึ่งสำคัญต่อผู้ซื้อที่ต้องการหลีกเลี่ยงการพึ่งพาโมเดลจากจีน

ยังไม่มี ณ วันที่ระบุไว้ด้านบนของตัวติดตามการเปิดตัวของเรา Reflection วางแผนเปิดตัว open weights พร้อมพันธมิตรด้านการเผยแพร่และการผสานรวมกับไลบรารีโอเพนซอร์ส

ไม่ ReflectionBeam เป็นคู่มืออิสระ เราไม่มีส่วนเกี่ยวข้องกับ Reflection AI และใส่ลิงก์ไปยังแหล่งข้อมูลอย่างเป็นทางการสำหรับตัวเลขทุกค่าที่เผยแพร่