Reflection Beam : Le modèle open-weight 501B pour le code et les agents, expliqué

Reflection a publié Beam, son premier modèle open-weight, avec les poids disponibles sur Hugging Face sous licence Apache 2.0. Beam est un modèle sparse Mixture-of-Experts (MoE) de 501 milliards de paramètres, conçu pour le code, le raisonnement et les tâches agentiques à long horizon. Ce guide couvre ce qui a été publié, ses performances aux benchmarks, son coût via une API hébergée, et comment l'exécuter vous-même — en s'appuyant sur les chiffres de la fiche modèle officielle de Reflection.

Qu'est-ce que Reflection Beam ?

Beam est un modèle sparse Mixture-of-Experts (MoE) avec 501 milliards de paramètres au total et environ 23 milliards de paramètres actifs par token, publié sous le nom Beam-1.0-501B-A23B. Il fonctionne en texte entrant et texte sortant, et a été conçu pour les charges de travail liées au code, au raisonnement et aux tâches agentiques, avec un accent déclaré sur le raisonnement efficace en tokens.

Selon la fiche modèle Hugging Face, Beam possède 52 couches (3 denses + 49 MoE), 256 experts, une fenêtre de contexte de 1 million de tokens, un vocabulaire de 152 000 tokens et une date limite de connaissance au 30 juin 2026. Il utilise une attention groupée par requête avec fenêtre glissante et un format de chat Harmony modifié.

L'argument principal est l'efficacité plutôt que la capacité maximale : Reflection affirme que Beam atteint une qualité de solution comparable aux meilleurs modèles ouverts tout en utilisant environ 3 fois moins de tokens de raisonnement au moment de l'inférence, comme indiqué sur la fiche modèle.

La licence : Apache 2.0, dans son intégralité

Le détail le plus important pour les équipes est la licence. Reflection a publié les poids de Beam sur Hugging Face sous licence Apache 2.0 — l'une des options les plus permissives disponibles, autorisant l'utilisation commerciale, la redistribution et la modification.

La fiche modèle précise également que Reflection n'interdit pas la distillation, l'utilisation des sorties pour entraîner d'autres modèles, le fine-tuning, l'adaptation efficace en paramètres, la quantification ou la fusion. Cette permissivité est ce qui maintient un modèle ouvert dans la conversation aux côtés de publications comme Kimi K3 et DeepSeek, et cela importe directement si vous prévoyez d'intégrer Beam dans un produit.

Les benchmarks de Beam

Les chiffres définitifs de Reflection se trouvent dans la fiche modèle, évalués à une température de 0,7 et top_p de 0,99. Voici les résultats BF16 dans les catégories qui comptent pour les développeurs d'agents :

• SWE-bench Verified : 81,6 % — résolution de vrais problèmes GitHub
• Terminal-Bench 2.1 : 80,1 % — complétion de tâches en ligne de commande
• SWE-bench Multilingual : 78,3 %
• GPQA Diamond : 90,6 % — raisonnement scientifique de niveau master/doctorat
• AIME 2026 : 97,7 % — mathématiques de compétition
• LiveCodeBench : 88,3 %
• MCP Atlas : 80,8 % — utilisation d'outils réels via des serveurs MCP
• BrowseComp (avec gestion du contexte) : 76,8 %
• HLE : 36,0 % sans outils, 51,1 % avec outils

Ce sont de solides scores agentiques et de raisonnement pour un modèle ouvert, surtout compte tenu du positionnement axé sur l'efficacité des tokens. Sur son propre blog, Reflection positionne Beam comme compétitif face aux grands modèles ouverts comme GLM 5.2 et proche de Qwen 3.8-Max sur les tâches de code et agentiques. Des analyses indépendantes ont noté que des modèles comme Kimi K3 conservent un avantage en capacité brute, donc considérez Beam comme un choix d'efficacité, et non comme une victoire frontière sur tous les tableaux.

Une remarque sur les chiffres : les premières couvertures citant l'article de lancement de Baseten mentionnaient des chiffres légèrement différents (par exemple SWE-bench Verified à 80,9 %). Les valeurs de la fiche modèle ci-dessus sont les benchmarks définitifs publiés par Reflection, utilisez-les donc comme référence canonique.

Tarifs

Beam est gratuit à télécharger et à auto-héberger sous Apache 2.0. Si vous préférez appeler un endpoint hébergé, Reflection a ouvert une bêta publique gratuite de son API propriétaire.

Parmi les partenaires de lancement, Baseten a affiché un tarif d'API de 1,30 $ par million de tokens en entrée et 0,13 $ par million de tokens en sortie, plus 4,30 $ par million de tokens en entrée depuis le cache. Les prix varient selon les fournisseurs, vérifiez donc l'endpoint spécifique que vous prévoyez d'utiliser le jour de vos tests.

Comment exécuter Beam

Reflection a conçu Beam pour fonctionner presque partout sans configuration supplémentaire.

Poids et formats. La publication inclut les formats de précision BF16, FP8 et NVFP4 ainsi qu'un modèle de décodage spéculatif (drafter). Reflection indique avoir travaillé avec des partenaires sur des noyaux fusionnés et des configurations de service pour réduire la mémoire et accélérer la génération.

Support natif des frameworks dès le premier jour. Selon l'annonce de Reflection, Beam bénéficie d'un support natif dans Transformers (Hugging Face), vLLM, SGLang, Unsloth, Axolotl, TokenSpeed et NVIDIA Dynamo — vous pouvez donc passer des poids à un endpoint de production sans plomberie personnalisée.

Plateformes. Beam a été lancé sur un large ensemble de fournisseurs, notamment Amazon Web Services, Google Cloud, Baseten, CoreWeave, Databricks, Fireworks AI, Together AI, OpenRouter, Vercel, LM Studio et Ollama. Pour les déploiements sur site, souverains et en environnement isolé (air-gapped), Dell et HPE le déploient derrière le pare-feu.

Mirror CLI, le harnais open source

Reflection a également publié en open source Mirror CLI, le harnais d'agent terminal contre lequel Beam a été entraîné. Mirror associe un frontend Python (prompts, compétences, outillage développeur) à un cœur d'agent Rust qui pilote le modèle. Il prend en charge les conversations reprises, les agents parallèles dans des worktrees séparés, les instructions de projet, les connexions MCP et les extensions Python.

Reflection indique avoir construit Mirror pour son ingénierie interne en premier — avec des espaces de travail isolés, des sessions en arrière-plan et des intégrations Slack, Linear et GitHub — avant de le publier en open source. Beam fonctionne également avec d'autres harnais, notamment Pi, OpenCode et Hermes.

L'« système d'exploitation ouvert pour les agents »

Reflection présente ce lancement comme bien plus qu'une simple publication de poids. Il qualifie l'ensemble du package d'« système d'exploitation ouvert pour les agents », avec le modèle comme noyau et des intégrations agentiques de référence, des conteneurs de déploiement, des intégrations d'inférence et des pipelines de personnalisation ouverts au-dessus de la couche infrastructure — soutenu par un écosystème de plus de 40 partenaires.

Pour la personnalisation, Reflection met en avant des recettes et intégrations pour le fine-tuning et l'apprentissage par renforcement à grande échelle (avec des partenaires tels que NVIDIA, Hugging Face TRL, Anyscale et Axolotl), et indique qu'il publiera des recettes d'auto-distillation et adoptera le standard d'environnement OpenEnv pour les futures exécutions.

À qui Beam s'adresse-t-il ?

• Les développeurs d'agents et d'outils de code qui souhaitent un modèle sous licence permissive avec de solides scores SWE-bench et d'utilisation d'outils MCP.
• Les équipes attentives au coût d'inférence, car le positionnement axé sur l'efficacité des tokens vise moins de tokens de raisonnement par tâche.
• Les déploiements réglementés ou sur site qui ont besoin de la même stack fonctionnant sur un ordinateur portable et derrière un pare-feu.

Si la capacité maximale brute sur les tâches les plus difficiles est votre seul critère, les leaders actuels des modèles ouverts pourraient encore devancer Beam. Si la licence permissive, l'utilisation agentique des outils et l'efficacité comptent davantage, Beam est une option sérieuse dès le premier jour.

Mettez un modèle ouvert comme Beam au service de votre propre équipe IA

Beam est conçu précisément pour le type de travail à long horizon et d'utilisation d'outils que les systèmes multi-agents automatisent — lire des dépôts, exécuter des commandes et accomplir des tâches en plusieurs étapes. Eigent est une application de bureau open source « Cowork » qui transforme des modèles comme ceux-ci en une équipe IA locale capable d'exécuter de vrais workflows, de la revue de pull requests GitHub à la recherche en plusieurs étapes. Comme Eigent est flexible en termes de modèles, vous pouvez le pointer vers un modèle open-weight et garder le contrôle de votre stack. Téléchargez Eigent et construisez votre propre équipe d'agents.