Reflection AI представила Beam: MoE-модель с открытыми весами на 501 млрд параметров, из которых 23 млрд активны, для программирования и агентных задач

Reflection AI представила Beam — свою первую модель с открытыми весами. Beam — разреженная модель Mixture-of-Experts (MoE) с 501 млрд параметров в общей сложности и 23 млрд активных параметров на токен, созданная для задач программирования, рассуждений и работы агентов. По словам команды Reflection AI, Beam напрямую конкурирует с более крупными открытыми моделями, такими как GLM 5.2, используя в 3–4 раза меньше вычислительных ресурсов при инференсе на бенчмарках рассуждений.

Можно ли развернуть её уже сегодня? Пока нет — самостоятельный хостинг ещё недоступен. Beam находится на финальном этапе red teaming. Ранний доступ осуществляется через лист ожидания на платформе Reflection.

Что такое Reflection Beam?

Beam — универсальная агентная модель, обученная с нуля компанией Reflection AI. Она ориентирована на корпоративные задачи программирования и работу агентов. Reflection позиционирует Beam как шаг вперёд для западного направления моделей с открытыми весами. Исследовательская команда открыто говорит о существующем разрыве. Kimi K3 сохраняет лидерство по чистым возможностям, поэтому главное преимущество Beam — эффективность при инференсе.

Пользователи получают параметр интенсивности рассуждений. Низкие значения предпочтительны для коротких ответов. Более высокие значения позволяют дольше рассуждать над сложными задачами. Команды могут сопоставлять интенсивность с трудностью задачи и доступным вычислительным бюджетом.

Как обучалась Beam на этапе предобучения

Beam была предобучена на 23,8 трлн токенов из интернета, общедоступных источников и проприетарных лицензированных наборов данных. Команда Reflection заявляет, что её очистка удалила около 95% токенов из исходного интернет-корпуса. При этом были сохранены примерно 1,8 трлн высококачественных токенов, которые обычные фильтры отсеяли бы.

Архитектура сочетает локальное и глобальное внимание с экспертами, маршрутизация которых выполняется с высокой точностью. Балансировка нагрузки основана на балансировке без вспомогательных потерь из DeepSeek-V3 с добавлением косинусного затухания обновлений смещений экспертов. К концу предобучения наиболее загруженный эксперт достиг нагрузки всего в 1,04 раза выше средней. Во всех 52 слоях нормы остаточных связей оставались ограниченными благодаря масштабированию с учётом глубины, SandwichNorm, управлению вниманием и накоплению остаточных связей в FP32.

Предобучение завершилось менее чем за 4 недели на 6 144 GPU NVIDIA GB300 NVL72. К концу показатель goodput достиг 92,3%; за это время было выполнено 9 полуавтоматических откатов. В ходе промежуточного обучения эффективный контекст был расширен до 1 млн токенов.

Обучение с подкреплением на больших вычислительных ресурсах

Обучение с подкреплением (RL) — центральная ось масштабирования Beam. Обучение продолжалось 4 недели с использованием 10,5 тыс. GPU NVIDIA GB300, за это время было создано более 100 млн траекторий. Максимальный контекст одной траектории составлял 256 тыс. токенов. На обучение и оценивание пришлось около 1,3 млрд песочниц в почти 1 млн сред для программирования, работы агентов и задач STEM.

Reflection обучала модель с использованием полностью асинхронных градиентов политики. Каждый токен помечался версией политики, которая его создала. Новые алгоритмы сохраняли стабильность обучения даже при отставании в одни сутки — на 107 версий весов от текущей политики. Команда сообщает, что по мере увеличения вычислительных ресурсов для RL плато достигнуто не было.

Показатели инфраструктуры заслуживают внимания. Система в среднем поддерживала 110 тыс. параллельных траекторий. Новые веса поступали на кластер инференса в среднем примерно за 12 секунд. 71 инцидент с инференсом был обработан без остановки обучения.

Управляемый штраф за длину научил Beam решать задачи с меньшим количеством токенов. Навыки работы с веб-страницами также улучшились, хотя задачи с веб-навигацией не входили в набор RL, что указывает на перенос навыков между агентными областями.

Безопасность и выравнивание

Reflection обучила отдельную модель-учителя безопасности и выравнивания на основе предобученного чекпойнта. Затем эта модель-учитель была объединена с RL-учителем с помощью дистилляции по политике от нескольких учителей. Для обучения безопасности использовалось дедуктивное выравнивание. Результаты оценки безопасности будут опубликованы в техническом отчёте.

Бенчмарки (по данным Reflection)

В SWE-bench Verified Beam набирает 80,9 балла против 70,7 у Nemotron 3 Ultra. В Terminal Bench v2.1 Beam получает 80,1 балла, почти столько же, сколько GLM 5.2 с результатом 81,0. Там лидируют DeepSeek V4.1 Flash (90,6) и Kimi K3 (88,3). Эти значения взяты из таблицы Reflection, где результаты конкурирующих моделей указаны со ссылкой на Artificial Analysis и DataCurve.

Beam и ближайшие конкуренты с открытыми весами

Характеристика	Reflection Beam	GLM-5.2	Nemotron 3 Ultra	DeepSeek V4.1 Flash	Kimi K3
Разработчик	Reflection AI (США)	Z.ai (Китай)	NVIDIA (США)	DeepSeek (Китай)	Moonshot AI (Китай)
Всего параметров	501 млрд	~753 млрд	550 млрд	552 млрд в базовой модели + 196 млрд Engram	2,8 трлн
Активные параметры	23 млрд	~40 млрд	55 млрд	8 млрд при предварительном заполнении / 16 млрд при декодировании	104 млрд
Контекст	1 млн (эффективный)	1 млн	До 1 млн	1 млн	1 млн
Входные данные	Текст	Текст	Текст	Текст + изображение	Текст + изображение
Лицензия	Apache 2.0 (планируется)	MIT	OpenMDW-1.1	MIT	Лицензия Kimi K3
Весы	Позже в октябре 2026 года	Доступны	Доступны	Доступны	Доступны
Terminal Bench v2.1*	80,1	81,0	56,4	90,6	88,3
Источник	Reflection	Hugging Face	NVIDIA	Hugging Face	Hugging Face

*Результаты опубликованы в анонсе Beam от Reflection. Спецификации проверены 5 октября 2026 года.

Beam — самая маленькая модель в этом сравнении по общему числу параметров. Её показатель в 23 млрд активных параметров ниже, чем у GLM-5.2, Nemotron 3 Ultra и Kimi K3. Apache 2.0 и MIT — стандартные разрешительные лицензии. Собственная лицензия Kimi K3 добавляет требования об указании авторства для очень крупных продуктов.

Основные выводы

• Beam — MoE-модель с 501 млрд параметров, из которых 23 млрд активны; она работает только с текстом и имеет эффективный контекст в 1 млн токенов.
• Предобучение использовало 23,8 трлн токенов и 6 144 GPU NVIDIA GB300 и завершилось менее чем за 4 недели.
• RL включало более 100 млн траекторий на 10,5 тыс. GPU GB300 в течение 4 недель.
• Reflection сообщает о результатах 80,9 в SWE-bench Verified и 80,1 в Terminal Bench v2.1.
• Выпуск весов по лицензии Apache 2.0 запланирован на конец этого месяца.

Подробнее см. технические детали и ранний доступ.