Reflection Beam: Model Open-Weight 501B do Kodowania i Agentów – Wyjaśnienie

Reflection wydało Beam – swój pierwszy model open-weight, z wagami dostępnymi na Hugging Face na licencji Apache 2.0. Beam to rzadki model Mixture-of-Experts (MoE) o 501 miliardach parametrów, stworzony do kodowania, rozumowania i długoterminowej pracy agentowej. Ten przewodnik omawia, co zostało wydane, jak wypada w benchmarkach, ile kosztuje przez hostowane API i jak uruchomić go samodzielnie – na podstawie liczb z oficjalnej karty modelu Reflection.

Czym jest Reflection Beam?

Beam to rzadki model Mixture-of-Experts (MoE) z 501 miliardami parametrów łącznie i ~23 miliardami aktywnych na token, wydany jako Beam-1.0-501B-A23B. Przyjmuje tekst i generuje tekst, a został zbudowany do zadań związanych z kodowaniem, rozumowaniem i pracą agentową, z naciskiem na efektywne rozumowanie pod względem liczby tokenów.

Zgodnie z kartą modelu na Hugging Face, Beam ma 52 warstwy (3 gęste + 49 MoE), 256 ekspertów, okno kontekstowe 1M tokenów, słownik 152k tokenów i datę graniczną wiedzy 30 czerwca 2026 roku. Wykorzystuje bramkowaną grupowaną uwagę zapytań z uwagą przesuwnego okna oraz zmodyfikowany format czatu Harmony.

Głównym atutem jest efektywność, a nie szczytowa wydajność: Reflection twierdzi, że Beam osiąga jakość rozwiązań porównywalną z wiodącymi modelami otwartymi, używając przy tym około 3 razy mniej tokenów rozumowania podczas wnioskowania, co zaznaczono w karcie modelu.

Licencja: Apache 2.0 w pełnym zakresie

Najważniejszym szczegółem dla zespołów jest licencja. Reflection udostępniło wagi Beam na Hugging Face na licencji Apache 2.0 – jednej z najbardziej permisywnych dostępnych opcji, pozwalającej na użytek komercyjny, redystrybucję i modyfikację.

Karta modelu stwierdza również, że Reflection nie zabrania destylacji, używania wyników do trenowania innych modeli, dostrajania (fine-tuning), wydajnej adaptacji parametrów, kwantyzacji ani łączenia modeli. Ta otwartość sprawia, że model open-weight pozostaje w grze obok wydań takich jak Kimi K3 i DeepSeek, i ma bezpośrednie znaczenie, jeśli planujesz wdrożyć Beam w produkcie.

Benchmarki Beam

Ostateczne wyniki Reflection znajdują się w karcie modelu, oceniane przy temperaturze 0,7 i top_p 0,99. Oto wyniki BF16 w kategoriach istotnych dla twórców agentów:

• SWE-bench Verified: 81,6% – rozwiązywanie rzeczywistych problemów z GitHub
• Terminal-Bench 2.1: 80,1% – wykonywanie zadań w wierszu poleceń
• SWE-bench Multilingual: 78,3%
• GPQA Diamond: 90,6% – rozumowanie naukowe na poziomie doktoranckim
• AIME 2026: 97,7% – matematyka konkursowa
• LiveCodeBench: 88,3%
• MCP Atlas: 80,8% – korzystanie z rzeczywistych narzędzi przez serwery MCP
• BrowseComp (z zarządzaniem kontekstem): 76,8%
• HLE: 36,0% bez narzędzi, 51,1% z narzędziami

To mocne wyniki agentowe i rozumowania dla modelu otwartego, szczególnie biorąc pod uwagę nacisk na efektywność tokenów. Na własnym blogu Reflection pozycjonuje Beam jako konkurencyjny wobec większych modeli otwartych, takich jak GLM 5.2, i zbliżający się do Qwen 3.8-Max w zadaniach kodowania i agentowych. Niezależne opracowania zauważają, że modele takie jak Kimi K3 nadal prowadzą pod względem surowej wydajności, więc traktuj Beam jako wybór efektywnościowy, a nie wszechstronne zwycięstwo na granicy możliwości.

Uwaga dotycząca liczb: wczesne relacje powołujące się na wpis startowy Baseten podawały nieco inne wartości (na przykład SWE-bench Verified na poziomie 80,9%). Wartości z karty modelu powyżej to ostateczne opublikowane benchmarki Reflection – używaj ich jako kanonicznego odniesienia.

Ceny

Beam jest bezpłatny do pobrania i samodzielnego hostowania na licencji Apache 2.0. Jeśli wolisz korzystać z hostowanego punktu końcowego, Reflection otworzyło bezpłatną publiczną wersję beta swojego API pierwszej strony.

Wśród partnerów startowych Baseten podał ceny Model API na poziomie 1,30 USD za milion tokenów wejściowych i 0,13 USD za milion tokenów wyjściowych, plus 4,30 USD za milion tokenów wejściowych z pamięci podręcznej. Ceny różnią się w zależności od dostawcy, więc sprawdź konkretny punkt końcowy, którego planujesz używać, w dniu testowania.

Jak uruchomić Beam

Reflection wydało Beam tak, aby działał niemal wszędzie od razu po wyjęciu z pudełka.

Wagi i formaty. Wydanie zawiera formaty precyzji BF16, FP8 i NVFP4 oraz model szkicujący do spekulatywnego dekodowania. Reflection twierdzi, że współpracowało z partnerami nad scalonymi jądrami i konfiguracjami serwowania, aby zmniejszyć zużycie pamięci i przyspieszyć generowanie.

Wsparcie frameworków od pierwszego dnia. Zgodnie z ogłoszeniem Reflection, Beam ma natywne wsparcie w Transformers (Hugging Face), vLLM, SGLang, Unsloth, Axolotl, TokenSpeed i NVIDIA Dynamo – dzięki czemu możesz przejść od wag do produkcyjnego punktu końcowego bez niestandardowych rozwiązań.

Platformy. Beam został uruchomiony na szerokim zestawie dostawców, w tym Amazon Web Services, Google Cloud, Baseten, CoreWeave, Databricks, Fireworks AI, Together AI, OpenRouter, Vercel, LM Studio i Ollama. W przypadku instalacji lokalnych, suwerennych i izolowanych od sieci, Dell i HPE dostarczają go za zaporą sieciową.

Mirror CLI – otwartoźródłowe narzędzie

Reflection udostępniło również jako open-source Mirror CLI – terminal agenta, na którym trenowano Beam. Mirror łączy frontend Python (prompty, umiejętności, narzędzia deweloperskie) z rdzeniem agenta w Rust, który steruje modelem. Obsługuje wznawiane konwersacje, równoległe agenty w oddzielnych drzewach roboczych, instrukcje projektowe, połączenia MCP i rozszerzenia Python.

Reflection twierdzi, że zbudowało Mirror przede wszystkim na potrzeby wewnętrznej inżynierii – z izolowanymi przestrzeniami roboczymi, sesjami w tle oraz integracjami ze Slack, Linear i GitHub – zanim udostępniło je jako open-source. Beam działa również z innymi narzędziami, w tym Pi, OpenCode i Hermes.

„Otwarty system operacyjny dla agentów"

Reflection przedstawia premierę jako coś więcej niż tylko udostępnienie wag. Nazywa pakiet „otwartym systemem operacyjnym dla agentów", z modelem jako jądrem oraz referencyjnymi integracjami agentowymi, kontenerami wdrożeniowymi, integracjami wnioskowania i potokami dostosowywania otwartymi powyżej warstwy infrastruktury – wspieranymi przez ekosystem ponad 40 partnerów.

W zakresie dostosowywania Reflection wskazuje na przepisy i integracje do dostrajania i uczenia przez wzmacnianie na dużą skalę (z partnerami takimi jak NVIDIA, Hugging Face TRL, Anyscale i Axolotl) oraz zapowiada udostępnienie przepisów na samo-destylację i przyjęcie standardu środowiska OpenEnv w przyszłych uruchomieniach.

Kogo powinien zainteresować Beam?

• Twórców agentów i narzędzi do kodowania, którzy chcą permisywnie licencjonowanego modelu z mocnymi wynikami SWE-bench i użycia narzędzi MCP.
• Zespoły dbające o koszty wnioskowania, ponieważ nacisk na efektywność tokenów celuje w mniejszą liczbę tokenów rozumowania na zadanie.
• Wdrożenia regulowane lub lokalne, które potrzebują tego samego stosu działającego na laptopie i za zaporą sieciową.

Jeśli szczytowa wydajność na najtrudniejszych zadaniach jest Twoim jedynym kryterium, obecni liderzy wśród modeli otwartych mogą nadal wyprzedzać Beam. Jeśli ważniejsze są permisywna licencja, agentowe użycie narzędzi i efektywność, Beam jest poważną opcją od pierwszego dnia.

Wykorzystaj otwarty model jak Beam z własną cyfrową siłą roboczą AI

Beam jest stworzony dokładnie do tego rodzaju długoterminowej, narzędziowej pracy, którą automatyzują systemy wieloagentowe – czytania repozytoriów, uruchamiania poleceń i wykonywania wieloetapowych zadań. Eigent to otwartoźródłowa aplikacja desktopowa „Cowork", która zamienia takie modele w lokalną cyfrową siłę roboczą AI wykonującą rzeczywiste przepływy pracy – od przeglądania PR-ów na GitHub po wieloetapowe badania. Ponieważ Eigent jest elastyczny pod względem modelu, możesz skierować go na model open-weight i zachować kontrolę nad swoim stosem. Pobierz Eigent i zbuduj własny zespół agentów.