Reflection AI zaprezentowało Beam, swój pierwszy model open-weight zbudowany od podstaw dla kodowania, wnioskowania i obciążeń agentowych. Model ma architekturę sparse Mixture-of-Experts z 501 miliardami całkowitych parametrów, z czego 23 miliardy są aktywne na każdy token. Zespół pozycjonuje Beam jako konkurencję dla znacznie większych modeli, takich jak GLM 5.2, osiągając to przy jednoczesnym zmniejszeniu zapotrzebowania na moc obliczeniową o 3-4 razy podczas benchmarków wnioskowania.
Model przeszedł wstępne trenowanie na 23,8 bilionach tokenów pochodzących z sieci web, publicznych źródeł i licencjonowanych zbiorów danych. Zespół Reflection zastosował agresywne kurowanie danych, odrzucając około 95 procent surowych tokenów z internetu, ale jednocześnie zachowując około 1,8 biliona tokenów wysokiej jakości, które konwencjonalne filtry by odrzuciły. Architektura modelu łączy lokalną i globalną uwagę z precyzyjnie routowanymi ekspertami, a użytkownicy mogą kontrolować parametr effort wnioskowania - niższe ustawienia faworyzują krótsze odpowiedzi, wyższe zaś pozwalają na głębsze rozumowanie przy trudnych zadaniach.
Na razie Beam nie jest dostępny do samodzielnego hostowania - model znajduje się w fazie finalnego red-teamingu, a wczesny dostęp udzielany jest wyłącznie przez listę oczekujących na platformie Reflection. Zespół otwarcie przyznaje, że Kimi K3 wciąż pozostaje wydajniejszy pod względem surowych zdolności, dlatego strategia Beam skupia się na wydajności czasowej obliczeń. To oznacza ważny postęp dla zachodniej granicy modeli open-weight, choć pokazuje też rosnącą konkurencję z chińskimi modelami w tej kategorii.