Reflection publie les poids ouverts de Beam sous licence Apache 2.0

Le 16 octobre 2026, Reflection a publié sur Hugging Face les poids de Beam, son premier modèle à poids ouverts, sous licence Apache 2.0. Baseten a intégré à sa plateforme ce modèle à mélange d’experts de 501 milliards de paramètres, pris en charge dès le jour de son lancement par le biais de Model APIs et de Dedicated Inference.

Reflection a d’abord présenté Beam le 5 octobre 2026, alors que le modèle faisait l’objet d’une dernière série de tests d’intrusion et d’évaluations. L’accès anticipé était limité aux personnes inscrites sur une liste d’attente, et la publication des poids était prévue plus tard dans le mois. L’entreprise a indiqué avoir préentraîné Beam sur 23 800 milliards de jetons, puis l’avoir affiné au cours d’une phase d’apprentissage par renforcement qui a généré plus de 100 millions de trajectoires sur 10,5K GPU NVIDIA GB300 pendant quatre semaines.

Poids, documentation et disponibilité sur les plateformes

Dans son annonce de disponibilité, Reflection a indiqué que la publication comprend une fiche de modèle présentant les résultats définitifs des évaluations comparatives, ainsi qu’un rapport technique sur la sécurité de Beam, qui expose la méthodologie complète de sécurité et les évaluations du modèle. Dans l’annonce de disponibilité, l’entreprise a décrit ce lancement comme un écosystème de plus de 40 partenaires et intégrations formant ce qu’elle appelle un « système d’exploitation ouvert pour les agents » : le modèle en constitue le noyau, tandis que des intégrations de référence pour les agents, des conteneurs de déploiement, des intégrations d’inférence et des chaînes de personnalisation sont ouvertes au-dessus de la couche d’infrastructure.

Reflection a également lancé une version bêta publique de son API développée en interne, accessible à l’adresse platform.reflection.ai, dont l’utilisation est gratuite au démarrage, selon l’entreprise. Parmi les plateformes de lancement citées par l’entreprise figurent Amazon Web Services, Baseten, Cloudflare, CoreWeave, Databricks, Fireworks AI, Google Cloud, LM Studio, Microsoft Azure, Modal, Nebius, NVIDIA NIMs, Ollama, OpenRouter, Oracle, Together AI, Vercel et Weights & Biases, entre autres. Pour les environnements sur site, souverains et isolés des réseaux, Dell et HPE proposent Beam derrière le pare-feu.

Formats de précision et prise en charge des frameworks

Reflection a publié les poids dans les formats de précision BF16, FP8 et NVFP4, ainsi qu’un modèle brouillon pour le décodage spéculatif. L’entreprise a indiqué avoir travaillé avec des partenaires à l’optimisation des configurations de service et à la création de noyaux fusionnés afin de réduire la latence et d’augmenter le débit. Selon elle, ces mesures réduisent les besoins en mémoire et accélèrent la génération de jetons dès le départ.

Beam est pris en charge dès le premier jour dans Transformers de Hugging Face, vLLM d’Inferact, SGLang de RadixArk, Unsloth, Axolotl, TokenSpeed de la LightSeek Foundation et Dynamo de NVIDIA. Reflection a indiqué que les développeurs peuvent télécharger et héberger eux-mêmes le modèle, l’évaluer, le personnaliser pour leurs propres domaines et le connecter à des systèmes agentiques par l’intermédiaire de Reflection et de ses partenaires.

Prise en charge dès le lancement et tarifs sur Baseten

Le 16 octobre 2026, Baseten a annoncé la prise en charge de Beam dès le jour de son lancement, qui est ainsi disponible par le biais de Baseten Model APIs et de Dedicated Inference. La bibliothèque de modèles de Baseten présente Beam comme un modèle textuel développé par Reflection sous licence Apache 2.0 et indique, pour l’API Model, des tarifs par million de jetons de 1,30 $ pour l’entrée, 4,30 $ pour l’entrée depuis le cache et 0,13 $ pour la sortie.

Beam est un transformeur autorégressif qui accepte des entrées textuelles et génère des sorties textuelles. Son architecture à mélange d’experts compte au total 501 milliards de paramètres, dont 23 milliards actifs par jeton, et dispose d’une fenêtre de contexte pouvant atteindre un million de jetons.

Les résultats des évaluations de Reflection, cités dans la publication de lancement de Baseten, indiquent que Beam obtient 90,5 % à GPQA Diamond, qui mesure le raisonnement scientifique de niveau universitaire ; 80,9 % à SWE-bench Verified, qui évalue la résolution de problèmes logiciels réels ; 97,8 % aux épreuves de mathématiques du concours AIME 2026 ; 80,1 % à Terminal-Bench 2.1, qui mesure la réalisation de tâches dans un environnement en ligne de commande ; et 78,7 % à MCP Atlas, qui évalue l’utilisation d’outils du monde réel par l’intermédiaire de serveurs MCP. Selon Baseten, Reflection a entraîné Beam à résoudre des tâches de programmation et des tâches agentiques en utilisant moins de jetons. Des trajectoires d’apprentissage par renforcement plus longues permettent au modèle de s’exercer à résoudre des problèmes en plusieurs étapes, tandis qu’une pénalité de longueur appliquée pendant l’entraînement vise à limiter les jetons superflus. Les utilisateurs peuvent régler le paramètre d’effort de raisonnement de Beam : les niveaux inférieurs privilégient des réponses plus courtes, tandis que les niveaux supérieurs permettent un raisonnement plus poussé pour les tâches exigeantes.

Mirror CLI et personnalisation

Reflection a également publié en open source Mirror CLI, un framework d’agent pour terminal entraîné parallèlement à Beam. Mirror associe une interface frontale Python couvrant les invites, les compétences et les outils de développement à un noyau d’agent en Rust qui pilote le modèle. Il prend en charge la reprise des conversations, l’exécution d’agents en parallèle dans des arborescences de travail distinctes, les instructions de projet, les connexions MCP et les extensions Python. Reflection a indiqué avoir d’abord créé Mirror pour ses équipes d’ingénierie, avec des espaces de travail isolés, des sessions en arrière-plan et des intégrations à Slack, Linear et GitHub, avant d’en faire un outil qu’elle pouvait publier en open source.

Beam a été testé avec Pi d’Earendil, OpenCode d’Anomaly et Hermes de Nous Research pour des tâches de programmation et de travail intellectuel, notamment la lecture de dépôts, la modification de fichiers et l’exécution de commandes.

Pour la personnalisation, Reflection s’est associé à NVIDIA pour NeMo RL, AutoModel et Megatron ; à RadixArk pour Miles ; à Hugging Face pour TRL ; à Anyscale pour SkyRL ; et à Axolotl afin de créer des flux de travail de réglage fin et d’apprentissage par renforcement. L’entreprise a indiqué que ses plus vastes campagnes d’apprentissage par renforcement pour Beam avaient mobilisé environ 1,3 milliard d’environnements isolés lors de l’entraînement, de l’évaluation et des études d’ablation. La campagne finale a atteint un pic de 883 006 vCPU, soit 83 % de la capacité allouable, répartis sur 23 clusters sur GCP et AWS. Reflection a déclaré prévoir de publier des recettes d’auto-distillation dans les prochains jours et adopter OpenEnv, une norme ouverte pour les environnements, lors de ses prochaines campagnes. Baseten présente Beam comme le premier modèle d’une nouvelle famille de modèles de Reflection, dont les prochaines versions devraient intégrer des capacités multilingues et multimodales.