Beam: 501 milliárd paraméteres nyílt modell a Reflectiontől

Mi a Beam?

A Beam a Reflection első modellje. A cég október 5-én jelentette be előzetesként, a súlyokat most adta ki (Reflection). A modell csak szöveget fogad és ad vissza, túlnyomórészt angol nyelvre fejlesztették. A tanítóadatai 2026. június 30-ig terjednek (modellkártya).

A Hugging Face blogja szerint a modell 52 rétegből áll: 3 dense és 49 MoE réteg. Egy MoE rétegben 256 expert van, ezekből tokenenként 8 fut. Így a memóriában a teljes 501B modellnek kell elférnie, a számítási igény viszont egy 23B-s modellé (Hugging Face).

A hosszú kontextust hibrid attention szolgálja ki. 43 réteg csak az előző 512 tokent nézi, 9 réteg a teljes kontextust. A blog számítása szerint ezért a KV cache 1M tokennél szekvenciánként kb. 36 GiB BF16-ban. Ha minden réteg globális lenne, ez 208 GiB lenne.

Benchmarkok

A Reflection által közölt BF16-os eredmények közül a fejlesztői szempontból legfontosabbak: SWE-bench Verified 81,6%, Terminal Bench v2.1 80,1%, SWE Bench Pro v1 66,1%, LiveCodeBench 88,3%. Érvelésben GPQA Diamond 90,6%, AIME 2026 97,7%. A Humanity's Last Exam (HLE) eszközök nélkül 36,0%, eszközökkel 51,1%. Tool callingban az MCP Atlas 80,8%, a BrowseComp kontextuskezeléssel 76,8%.

Forrás: Hugging Face / Reflection. A Beam benchmarkeredményei BF16, FP8 és NVFP4 pontossággal; a számokat a Reflection csapata adta meg.

A kvantált változatok alig maradnak le: az NVFP4 checkpoint SWE-bench Verifieden 80,7%-ot, Terminal Benchen 78,2%-ot ért el. Ezek a gyártó saját mérései, független ellenőrzés egyelőre nincs.

Az október 5-i bejelentésben a Reflection más modellekkel is összevetette a Beamet. Ott saját maga írja, hogy nyers képességben a Kimi K3 előrébb jár. Terminal Bench v2.1-en például a GLM 5.3 88,2, a Kimi K3 88,3 pontot kapott (Reflection). A cég fő érve a hatékonyság: állítása szerint érvelési feladatokon a GLM-5.2 szintjét 3-4-szer kevesebb inferencia-compute mellett hozza. A kínai mezőny állásáról korábbi összefoglalónkban írtunk.

Milyen hardver kell hozzá?

A súlyok három formátumban érhetők el. A BF16 checkpoint kb. 1 TB. Az FP8 a Hopper és Ampere GPU-khoz való. Az NVFP4 kb. 280 GB, ezt natívan csak a Blackwell generáció futtatja.

A Hugging Face szerint két B200 (2×180 GB) épp elbírja az NVFP4 súlyokat, de kevés hely marad a KV cache-nek. Ezért négy B200-at javasolnak. SGLang-gal az FP8 változat 8 darab H200-on fut, a BF16-ot a vLLM-recept 16 GPU-ra osztja szét. Ez tehát szerverterembe készült modell, nem asztali gépre.

Saját hardver nélkül több úton is elérhető. Van a Reflection saját, OpenAI-kompatibilis API-ja, a Hugging Face Inference Providers (Baseten, Fireworks, Together), illetve az Inference Endpoints. A felhőben az AWS SageMaker és a Google Cloud Model Garden már kínálja, az Azure és az Oracle támogatása a Reflection szerint hamarosan jön (Reflection Docs). Árakat az általunk átnézett források nem közölnek.

Testreszabás és fine-tuning

A nyílt licenc itt a lényeg. A modellkártya szerint a Reflection nem tiltja a fine-tuningot, a kvantálást, a desztillációt, sőt azt sem, hogy a modell kimeneteivel más modelleket tanítsanak.

A Hugging Face TRL-lel LoRA SFT-receptet adott. Ez egyetlen, 8 darab B300-as node-on fut, kb. 19 000 token/másodperc sebességgel. A példában arra tanították a modellt, hogy a kért nyelven gondolkodjon. Egy epoch után mind a 16 tesztpromptnál a kért nyelven érvelt, az alapmodell csak 3-nál.

Reinforcement learninghez a Reflection és a RadixArk GRPO-receptet készített a Miles keretrendszerhez. A teljes paraméteres GRPO 96 darab H200-at igényel, a LoRA-s változat 32-t. A Reflection szerint az NVIDIA NeMo RL, az Unsloth, az Axolotl és a SkyRL is támogatja a modellt.

A Beam mellé a Reflection kiadta a Mirror CLI-t is, egy Rust magra épülő coding agentet, amellyel a modellt együtt tanították. A modell a Pi, az OpenCode és a Hermes harnessekkel is működik. Hasonló irányt követ az NVIDIA is: a Nemotron 3.5 Super VL szintén nyílt MoE modell agentekhez, jóval kisebb méretben.

Kinek érdemes ránézni?

A Beam azoknak érdekes, akik adatvédelmi vagy szuverenitási okokból saját infrastruktúrán futtatnának nagy kódoló modellt. A licenc ebben nem köti meg a kezüket. A belépő viszont magas: már a legkisebb NVFP4 változathoz is több Blackwell GPU kell. Kipróbáláshoz egyszerűbb az API vagy egy inference provider. A Reflection 10 000 dollárnyi Hub-kreditet ígér a Beammel épített legjobb projekteknek.