‏Beam، اولین مدل open-weight شرکت Reflection معرفی شد

شرکت Reflection مدل Beam رو معرفی کرده که اولین مدل open-weight (یعنی وزن‌هاش عمومی منتشر می‌شه) این شرکته. Beam یه مدل Mixture-of-Experts هست، یعنی برای هر توکن فقط بخشی از شبکه فعال می‌شه. کل پارامترهاش ۵۰۱ میلیارده ولی فقط ۲۳ میلیاردش در هر لحظه فعاله. روی ۲۳.۸ تریلیون توکن pretrain شده و تمرکزش کدنویسی و کارهای agenticه.

به گفته‌ی تیم Reflection، Beam با مدل‌های بزرگ‌تری مثل GLM 5.2 رقابت می‌کنه و تو کدنویسی به Qwen 3.8-Max نزدیک می‌شه. Kimi K3 هنوز از نظر قدرت خام جلوتره، ولی برگ برنده‌ی Beam بازدهیه: تو استدلال هم‌سطح GLM 5.2 هست با ۳ تا ۴ برابر محاسبه‌ی کمتر. مثلاً تو SWE Bench Verified نمره‌ی ۸۰.۹، تو Terminal Bench v2.1 نمره‌ی ۸۰.۱ و تو AIME 2026 نمره‌ی ۹۷.۸ گرفته.

ستون اصلی کار، reinforcement learning با محاسبه‌ی خیلی بالاست. تیم ۱۰.۵ هزار GPU مدل NVIDIA GB300 رو چهار هفته به کار گرفته و بیش از ۱۰۰ میلیون rollout (یعنی اجرای کامل یه کار توسط مدل) با context تا ۲۵۶ هزار توکن تولید کرده. نزدیک یه میلیون محیط تمرینی ساختن که بیشترش مصنوعی بوده و از نظر سختی و کیفیت فیلتر شده. به گفته‌ی خودشون، با بیشتر شدن محاسبه‌ی RL توانایی‌ها همچنان بالا می‌رفت و نشونه‌ای از سقف دیده نشد.

آموزش به‌صورت کاملاً asynchronous بوده، یعنی تولید rollout و آموزش مدل جدا از هم جلو می‌رن. مشکلش اینه که توکن‌های یه rollout طولانی ممکنه از چند نسخه‌ی قدیمی مدل اومده باشن. Reflection می‌گه الگوریتم‌هایی ساخته که حتی با داده‌ای که بیش از یه روز پیش تولید شده، آموزش پایدار بمونه. وزن‌های جدید هم به‌طور میانه حدود ۱۲ ثانیه‌ای به کل ناوگان inference می‌رسیدن.

Beam یه پارامتر reasoning effort داره که باهاش تعیین می‌کنی مدل کوتاه جواب بده یا طولانی‌تر فکر کنه. یه نکته‌ی جالب هم اینه که با این‌که تو RL هیچ کار browsing نبوده، توانایی مدل تو browsing هم بهتر شده. context مؤثرش هم تو مرحله‌ی midtraining تا ۱ میلیون توکن بزرگ شده. خود مدل فقط متنیه.

برای ایمنی، یه مدل جدا با pipeline مخصوص alignment آموزش دیده و بعد توانایی‌های دو مدل با روشی به اسم multi-teacher on-policy distillation ترکیب شده. Beam الان در مرحله‌ی red-teaming نهاییه. Reflection قول داده وزن‌ها، گزارش فنی و model card رو همین ماه با لایسنس Apache 2.0 منتشر کنه و ارزیابی‌های ایمنی‌شو هم open-source کنه.

نکات کلیدی:

• Beam یه مدل MoE با ۵۰۱ میلیارد پارامتر کل و ۲۳ میلیارد پارامتر فعاله.
• pretrain روی ۲۳.۸ تریلیون توکن و با ۶۱۴۴ GPU مدل GB300 NVL72 در کمتر از چهار هفته انجام شده.
• مرحله‌ی RL با ۱۰.۵ هزار GPU مدل GB300، چهار هفته و بیش از ۱۰۰ میلیون rollout اجرا شده.
• در استدلال هم‌سطح GLM 5.2 هست ولی ۳ تا ۴ برابر محاسبه‌ی inference کمتری می‌خواد.
• context مؤثر تا ۱ میلیون توکنه و مدل فقط متنیه.
• وزن‌ها با لایسنس Apache 2.0 همین ماه منتشر می‌شه.