Reflection Beam: El Modelo Open-Weight de 501B para Código y Agentes, Explicado

Reflection ha lanzado Beam, su primer modelo open-weight, con los pesos disponibles en Hugging Face bajo una licencia Apache 2.0. Beam es un modelo sparse Mixture-of-Experts (MoE) de 501 mil millones de parámetros diseñado para código, razonamiento y trabajo agéntico de largo horizonte. Esta guía cubre qué se publicó, cómo rinde en benchmarks, cuánto cuesta a través de una API hospedada y cómo ejecutarlo tú mismo — usando los datos de la propia tarjeta de modelo de Reflection.

¿Qué es Reflection Beam?

Beam es un modelo sparse Mixture-of-Experts (MoE) con 501 mil millones de parámetros totales y ~23 mil millones activos por token, publicado como Beam-1.0-501B-A23B. Acepta texto como entrada y produce texto como salida, y fue diseñado para cargas de trabajo de código, razonamiento y tareas agénticas, con un enfoque declarado en el razonamiento eficiente en tokens.

Según la tarjeta de modelo en Hugging Face, Beam tiene 52 capas (3 densas + 49 MoE), 256 expertos, una ventana de contexto de 1M tokens, un vocabulario de 152k tokens y un corte de conocimiento del 30 de junio de 2026. Utiliza atención agrupada con consultas enrejadas (gated grouped-query attention) con atención de ventana deslizante y un formato de chat Harmony modificado.

El argumento principal es la eficiencia más que la capacidad máxima: Reflection afirma que Beam alcanza una calidad de solución comparable a los modelos abiertos líderes usando aproximadamente 3 veces menos tokens de razonamiento en tiempo de inferencia, según se indica en la tarjeta de modelo.

La licencia: Apache 2.0, en su totalidad

El detalle más importante para los equipos es la licencia. Reflection publicó los pesos de Beam en Hugging Face bajo una licencia Apache 2.0 — una de las opciones más permisivas disponibles, que permite uso comercial, redistribución y modificación.

La tarjeta de modelo también indica que Reflection no prohíbe la destilación, el uso de salidas para entrenar otros modelos, el ajuste fino (fine-tuning), la adaptación eficiente en parámetros, la cuantización ni la fusión de modelos. Esa permisividad es lo que mantiene a un modelo abierto en la conversación junto a lanzamientos como Kimi K3 y DeepSeek, y tiene importancia directa si planeas incluir Beam dentro de un producto.

Benchmarks de Beam

Los números definitivos de Reflection se encuentran en la tarjeta de modelo, evaluados a temperatura 0.7 y top_p 0.99. Aquí están los resultados en BF16 en las categorías que importan para los desarrolladores de agentes:

• SWE-bench Verified: 81.6% — resolución de issues reales en GitHub
• Terminal-Bench 2.1: 80.1% — completación de tareas en línea de comandos
• SWE-bench Multilingual: 78.3%
• GPQA Diamond: 90.6% — razonamiento científico a nivel de posgrado
• AIME 2026: 97.7% — matemáticas de competición
• LiveCodeBench: 88.3%
• MCP Atlas: 80.8% — uso de herramientas del mundo real mediante servidores MCP
• BrowseComp (con gestión de contexto): 76.8%
• HLE: 36.0% sin herramientas, 51.1% con herramientas

Estas son puntuaciones agénticas y de razonamiento sólidas para un modelo abierto, especialmente dado el enfoque en eficiencia de tokens. En su propio blog, Reflection posiciona a Beam como competitivo frente a modelos abiertos más grandes como GLM 5.2 y cercano a Qwen 3.8-Max en tareas de código y agentes. Análisis independientes han señalado que modelos como Kimi K3 aún lideran en capacidad bruta, así que considera Beam como una apuesta por la eficiencia, no como un líder absoluto en todas las métricas.

Una nota sobre los números: coberturas tempranas que citaban la publicación de lanzamiento de Baseten listaban cifras ligeramente diferentes (por ejemplo, SWE-bench Verified en 80.9%). Los valores de la tarjeta de modelo anteriores son los benchmarks publicados definitivos de Reflection, así que úsalos como referencia canónica.

Precios

Beam es gratuito para descargar y alojar de forma autónoma bajo Apache 2.0. Si prefieres llamar a un endpoint hospedado, Reflection abrió una beta pública gratuita de su API de primera parte.

Entre los socios de lanzamiento, Baseten publicó precios de API de $1.30 por millón de tokens de entrada y $0.13 por millón de tokens de salida, más $4.30 por millón de tokens de entrada en caché. Los precios varían según el proveedor, así que consulta el endpoint específico que planeas usar el día que realices tus pruebas.

Cómo ejecutar Beam

Reflection diseñó Beam para funcionar prácticamente en cualquier entorno desde el primer momento.

Pesos y formatos. La publicación incluye formatos de precisión BF16, FP8 y NVFP4, además de un modelo borrador para decodificación especulativa. Reflection afirma que trabajó con socios en kernels fusionados y configuraciones de servicio para reducir el uso de memoria y acelerar la generación.

Soporte de frameworks desde el primer día. Según el anuncio de Reflection, Beam tiene soporte nativo en Transformers (Hugging Face), vLLM, SGLang, Unsloth, Axolotl, TokenSpeed y NVIDIA Dynamo — por lo que puedes pasar de los pesos a un endpoint en producción sin configuraciones personalizadas.

Plataformas. Beam se lanzó en un amplio conjunto de proveedores, incluyendo Amazon Web Services, Google Cloud, Baseten, CoreWeave, Databricks, Fireworks AI, Together AI, OpenRouter, Vercel, LM Studio y Ollama. Para implementaciones en instalaciones propias, soberanas y con aislamiento de red (air-gapped), Dell y HPE lo ofrecen detrás del cortafuegos.

Mirror CLI, el entorno de ejecución de código abierto

Reflection también publicó como código abierto Mirror CLI, el entorno de ejecución de agentes de terminal contra el que entrenó Beam. Mirror combina un frontend en Python (prompts, habilidades, herramientas para desarrolladores) con un núcleo de agente en Rust que controla el modelo. Admite conversaciones reanudables, agentes paralelos en worktrees separados, instrucciones de proyecto, conexiones MCP y extensiones en Python.

Reflection afirma que construyó Mirror primero para ingeniería interna — con espacios de trabajo aislados, sesiones en segundo plano e integraciones con Slack, Linear y GitHub — antes de publicarlo como código abierto. Beam también funciona con otros entornos de ejecución, incluyendo Pi, OpenCode y Hermes.

El "sistema operativo abierto para agentes"

Reflection enmarca el lanzamiento como algo más que una publicación de pesos. Denomina al paquete un "sistema operativo abierto para agentes", con el modelo como núcleo e integraciones agénticas de referencia, contenedores de despliegue, integraciones de inferencia y canalizaciones de personalización abiertas por encima de la capa de infraestructura — respaldado por un ecosistema de más de 40 socios.

Para la personalización, Reflection señala recetas e integraciones para ajuste fino y aprendizaje por refuerzo a gran escala (con socios como NVIDIA, Hugging Face TRL, Anyscale y Axolotl), y afirma que publicará recetas de auto-destilación y adoptará el estándar de entorno OpenEnv para ejecuciones futuras.

¿A quién le interesa Beam?

• Desarrolladores de agentes y herramientas de código que quieren un modelo con licencia permisiva y puntuaciones sólidas en SWE-bench y uso de herramientas MCP.
• Equipos que controlan el costo de inferencia, ya que el enfoque en eficiencia de tokens apunta a usar menos tokens de razonamiento por tarea.
• Despliegues regulados o en instalaciones propias que necesitan el mismo stack funcionando en un portátil y detrás de un cortafuegos.

Si la capacidad máxima bruta en las tareas más difíciles es tu único criterio, los líderes actuales en modelos abiertos pueden seguir superando a Beam. Si la licencia permisiva, el uso agéntico de herramientas y la eficiencia importan más, Beam es una opción seria desde el primer día.

Pon a trabajar un modelo abierto como Beam con tu propia fuerza laboral de IA

Beam está diseñado exactamente para el tipo de trabajo de largo horizonte y uso de herramientas que automatizan los sistemas multiagente — leer repositorios, ejecutar comandos y completar tareas de múltiples pasos. Eigent es una aplicación de escritorio "Cowork" de código abierto que convierte modelos como estos en una fuerza laboral de IA local que ejecuta flujos de trabajo reales, desde revisar PRs en GitHub hasta investigación de múltiples pasos. Dado que Eigent es flexible con los modelos, puedes apuntarlo a un modelo open-weight y mantener el control de tu stack. Descarga Eigent y construye tu propio equipo de agentes.