Reflection AI открыла веса Beam на 501 млрд параметров

Подробно

Что представляет собой Beam 1.0 и где скачать веса?

Полное название основной версии - Beam-1.0-501B-A23B. Это модель с архитектурой Mixture-of-Experts: 501,3 млрд параметров в сумме и 23,4 млрд активных при обработке токена. Модель состоит из 52 слоёв: три плотных и 49 MoE-слоёв с 256 экспертами. В ней используются gated grouped-query attention и sliding-window attention.

• Контекстное окно - 1 048 576 токенов (около 1 млн).
• Словарь - 152 тыс. токенов, знания ограничены 30 июня 2026 года.
• Модель работает только с текстом и рассчитана в первую очередь на английский язык.
• Основные задачи - программирование, рассуждения, работа с инструментами и длительные агентные сценарии.

Reflection выложила веса после instruction tuning в форматах BF16, FP8 и NVFP4. Отдельно опубликована модель DFlash2 на 2 млрд параметров для speculative decoding. Репозиторий на Hugging Face открыт: на момент проверки запрашивать доступ не требовалось. Лицензия Apache 2.0 разрешает коммерческое и исследовательское использование, дообучение, дистилляцию и квантование, а также обучение других моделей на ответах Beam.

Вместе с моделью вышел Mirror CLI - открытый терминальный агент с интерфейсом на Python и ядром на Rust. Он позволяет контролировать вызовы инструментов, продолжать прерванные диалоги, запускать параллельных агентов в отдельных worktree, а также поддерживает навыки и MCP.

Сколько GPU нужно для запуска Beam 501B?

В интервью VentureBeat в Reflection сказали, что 8- и 4-битные версии помещаются на один сервер с восемью Nvidia H100, H200 или GB300. Для версии BF16 нужны «десятки GPU». Это оценка самой компании, независимой проверки этих требований пока нет.

Для локального и корпоративного запуска заявлена поддержка Transformers, vLLM, SGLang, Unsloth, Axolotl, TokenSpeed и Nvidia Dynamo. Dell и HPE предлагают развернуть модель в локальных, суверенных и изолированных средах. Всего Reflection называет более 40 партнёров и интеграций, в том числе AWS, Google Cloud, Microsoft Foundry, Oracle, CoreWeave, Nebius, Baseten, Fireworks AI, Together AI, OpenRouter, Vercel, Nvidia NIM, Cloudflare, Databricks, Modal, Ollama и LM Studio.

Сколько стоит API Beam 1.0 и доступна ли модель в России?

Собственный API Reflection работает в режиме публичной беты: начать можно бесплатно после регистрации. Постоянные тарифы компания пока не опубликовала. На собственных серверах модель можно использовать без платы Reflection за токены, но вычислительные ресурсы придётся обеспечить самостоятельно.

У сторонних провайдеров цены разные и могут быстро меняться:

• OpenRouter добавил модель 16 октября. Самая низкая указанная цена - $0,25 за 1 млн входных и $1,00 за 1 млн выходных токенов. Это тариф стороннего провайдера, а не официальная цена Reflection.
• В Vercel AI Gateway был доступен бесплатный бета-маршрут Reflection и маршрут Baseten: $1,30 за 1 млн входных токенов, $4,30 за 1 млн выходных, чтение из кэша - $0,13 за 1 млн токенов.

Доступ к API Reflection для пользователей и организаций из России официально не подтверждён. Веса на Hugging Face открыты, и лицензия Apache 2.0 не вводит региональных ограничений. Однако реальная возможность пользоваться хостингами, платить и арендовать облачные GPU зависит от санкций, экспортных правил и условий конкретного провайдера.

Действительно ли Beam на уровне китайских моделей?

Только отчасти и только по данным самого разработчика. Reflection сообщает о таких результатах версии BF16:

• Terminal-Bench v2.1 - 80,1% (FP8 - 78,9%, NVFP4 - 78,4%);
• SWE-bench Verified - 81,6%, SWE Bench Pro v1 - 66,1%, SWE Bench Pro v2-Hard - 76,5%;
• DeepSWE v1.1 - 43,3%, MCP Atlas - 80,8%;
• AIME 2026 - 97,7%, GPQA Diamond - 90,6%, HLE без инструментов - 36,0%.

Все прогоны выполнял сам разработчик с параметрами temperature 0,7 и top_p 0,99. В предварительной сравнительной таблице от 5 октября на Terminal-Bench v2.1 у Beam 80,1 балла. У GLM-5.2 - 81,0, у GLM-5.3 - 88,2, у Kimi K3 - 88,3, у Qwen 3.8 Max - 86,6, у DeepSeek V4.1 Flash - 90,6. Ни одну из этих моделей на этом тесте Beam не обошла.

Слова об «уровне китайских моделей» относятся в основном к более старой GLM-5.2. Из 13 общих тестов Beam выиграла у неё восемь и проиграла пять: Terminal-Bench v2.1, AIME 2026, HLE, CritPt и GPQA Diamond. Qwen 3.8 Max опережает Beam во всех 13 тестах. Сама Reflection признаёт, что по абсолютным возможностям впереди остаётся Kimi K3. Позиция компании звучит так:

«Beam продвигает западный рубеж открытых моделей, конкурирует с более крупными открытыми моделями вроде GLM 5.2 и приближается к Qwen 3.8-Max в программировании и агентных задачах».

Между анонсом 5 октября и финальной карточкой цифры немного изменились. SWE Bench Pro v2-Hard снизился с 77,2 до 76,5, HLE - с 36,2 до 36,0, DeepSWE - с 44,4 до 43,3. Результат Terminal-Bench v2.1 остался прежним. Аналитики S5 Labs, проверявшие анонс, сочли сравнение с GLM-5.2 в целом правдоподобным. Но они отметили, что настройки тестов не раскрыты, а в колонках конкурентов могут быть ошибки.

Как Reflection сократила расход токенов?

На этапе обучения с подкреплением компания ввела регулируемый штраф за длину ответа: за успешное решение модель получала награду, за лишние токены - штраф. Пользователь может сам выбирать уровень reasoning effort и тем самым находить баланс между длиной рассуждений и качеством ответа.

«Вы ничем не жертвуете. Вы просто штрафуете модель за то, сколько токенов она может использовать», - пояснил сооснователь и технический директор Reflection AI Иоаннис Антоноглу.

«Цель - получить модель, которая при своём размере тратит на выполнение задачи минимум токенов», - добавил он.

Reflection утверждает, что на DeepSWE, Humanity's Last Exam и Terminal-Bench 2.1 Beam выходит на уровень GLM-5.2 при в 3-4 раза меньших вычислениях на инференсе. Но эта цифра - расчётная оценка, а не измеренная цена или энергопотребление. Она считается по формуле: FLOPs ≈ 2 × число активных параметров × среднее число сгенерированных токенов. Чтение промпта, операции attention, зависящие от длины контекста, и накладные расходы на обслуживание в расчёт не входят.

VentureBeat оценил данные по графику Reflection. На Terminal-Bench v2.1 Beam генерировала примерно 25 тыс. токенов на попытку, GLM-5.2 - около 80 тыс. На DeepSWE разрыв меньше: Beam понадобилось чуть больше половины токенов GLM-5.2. Это приблизительные значения, считанные с изображения. Ещё часть разницы компания объясняет тем, что у Beam 23 млрд активных параметров, а у GLM-5.2, по её данным, 40 млрд.

Меньше токенов не всегда означает меньший счёт, и в Reflection это признают. На вопрос о стоимости одной выполненной задачи по сравнению с DeepSeek или GLM вице-президент по продукту Джо Списак ответил:

«Нам пока нечего конкретного сообщить на этот счёт».

«У моделей DeepSeek или Qwen могут быть более удачные или объединённые ядра, и они просто могут оказаться гораздо эффективнее», - добавил он.

Что показали независимые тесты Beam?

Artificial Analysis дала Beam 30 баллов в Intelligence Index v4.3.2. Это второе место среди американских открытых моделей после Meta Muse Spark Open с 39 баллами и десятое место среди всех открытых моделей. По подсчётам аналитиков, Beam тратит около 26 тыс. выходных токенов на задачу: примерно 19 тыс. на рассуждения и 7 тыс. на финальный ответ. Сопоставимой по индексу K2 Horizon требуется около 52 тыс. Есть и слабые места:

• Terminal-Bench 4.0 - 3,0%. Это более новая версия с другим набором задач, поэтому сравнивать результат напрямую с заявленными 80,1% на версии 2.1 нельзя.
• AutomationBench-AA - 48,5%, CritPt - 13,1%.
• AA-Omniscience - 33% правильных ответов и 47% галлюцинаций.
• В Coding Agent Index связка Beam и Mirror набрала 28 баллов: на 15 меньше, чем следующая конфигурация (Claude Code с Qwen 3.8 Max), и на 40 меньше лидеров.

Artificial Analysis входит в число партнёров, получивших доступ к Beam до релиза, поэтому степень её независимости стоит учитывать.

Plotly 17 октября проверила Beam на своём тесте анализа данных. Модель решила 36 из 43 задач (84%, оценка B) - столько же, сколько DeepSeek V4.1 Flash и Claude Sonnet 5. Beam нашла все три специально внесённые ошибки в данных и правильно обработала все пять невыполнимых и пять неоднозначных запросов. При этом она дважды ошиблась при переводе кВт·ч в ГВт·ч, занизив результат в тысячу раз, и обнаружила только один скрытый паттерн из пяти.

Прогон оказался дороже, чем у моделей для сравнения. Полный прогон обошёлся в $8,29 по ценам OpenRouter. Для сравнения: DeepSeek V4.1 Flash - $0,46, GLM 5.3 Flash - $0,69, Qwen 3.8 27B - $1,71, Muse Spark Open - $5,16. Главная причина - почти не работало кэширование: по кэшированному тарифу прошло лишь 0,4% входных токенов. Модель читала около 740 тыс. токенов на вопрос, и на входные токены пришлось $7,79 из $8,29. На типичный вопрос уходило 68 секунд, на самый медленный - больше часа. В Plotly допускают, что скорость вырастет, когда провайдеры оптимизируют обслуживание модели.

Как обучали Beam и что пока не раскрыто?

По данным Reflection, предобучение шло на 23,8 трлн токенов из открытых веб-источников и лицензированных наборов. Точный состав корпуса компания не раскрыла. Предобучение заняло меньше четырёх недель на 6 144 Nvidia GB300 NVL72, к концу goodput достиг 92,3%. Обучение с подкреплением длилось четыре недели на 10 500 GB300. За это время прошло более 100 млн rollout длиной до 256 тыс. токенов, около 1,3 млрд запусков в песочницах и примерно миллион сред для программирования, агентных и STEM-задач. В пике RL-эксперименты и оценки задействовали 883 006 виртуальных CPU в 23 кластерах Google Cloud и AWS.

Компания утверждает, что обучила Beam с нуля и не использовала ответы чужих моделей. Все эти данные известны только со слов Reflection. Журналов вычислений или полного отчёта, по которому результаты можно воспроизвести, нет. В карточке на Hugging Face общий технический отчёт по-прежнему отмечен как «скоро». Отдельный отчёт по безопасности (Beam Safety Technical Report) уже вышел, но он не описывает обучение и все тесты возможностей.

Reflection AI основали бывшие исследователи Google DeepMind Миша Ласкин и Иоаннис Антоноглу. В марте 2025 года компания вышла из скрытого режима и объявила о привлечении $130 млн: $25 млн на посевном раунде и $105 млн в раунде A. Тогда она занималась автономными системами программирования. 9 августа 2025 года Reflection объявила о переходе к открытым моделям передового уровня и привлечении $2 млрд. Beam впервые показали 5 октября 2026 года с ограниченным доступом по списку ожидания.

Платящих клиентов Beam компания не назвала. Ранним тестовым пользователем указана Oura, и её отзыв прессе передала сама Reflection: «Мы обнаружили, что у Beam меньше утечек контекста и её ответы гораздо лучше опираются на факты, чем у других передовых моделей, которые мы оценивали». О конкуренции с китайскими разработчиками Антоноглу сказал: «Beam победит благодаря своим качествам, а не чему-то другому». Отдельно он оговорился: «Это не значит, что китайские модели плохие».