Reflection rilascia i pesi aperti di Beam con licenza Apache 2.0

Il 16 ottobre 2026 Reflection ha rilasciato su Hugging Face i pesi di Beam, il suo primo modello a pesi aperti, con licenza Apache 2.0. Baseten ha portato sulla propria piattaforma il modello mixture-of-experts da 501 miliardi di parametri, offrendo supporto dal giorno del lancio tramite Model APIs e Dedicated Inference.

Reflection ha presentato Beam per la prima volta il 5 ottobre 2026, mentre il modello era sottoposto alle ultime verifiche di sicurezza e valutazioni. L’accesso anticipato era limitato a una lista d’attesa e i pesi sarebbero stati resi disponibili più avanti nel mese. L’azienda ha dichiarato di aver preaddestrato Beam su 23,8 mila miliardi di token e di averlo perfezionato con una sessione di reinforcement learning che ha generato oltre 100 milioni di rollout su 10,5 mila GPU NVIDIA GB300 nell’arco di quattro settimane.

Pesi, documentazione e disponibilità sulle piattaforme

Nel suo annuncio della disponibilità, Reflection ha dichiarato che il rilascio include una scheda del modello con i benchmark finali e un rapporto tecnico sulla sicurezza di Beam, che illustra l’intera metodologia di sicurezza e le valutazioni del modello. Nell’annuncio della disponibilità, l’azienda ha descritto il lancio come un ecosistema di oltre 40 partner e integrazioni che costituisce quello che definisce un «sistema operativo aperto per agenti»: il modello funge da kernel, mentre integrazioni di riferimento per gli agenti, container di distribuzione, integrazioni per l’inferenza e pipeline di personalizzazione sono aperti al di sopra del livello infrastrutturale.

Reflection ha inoltre avviato una beta pubblica della propria API, sviluppata direttamente dall’azienda, all’indirizzo platform.reflection.ai, che, a suo dire, è gratuita per iniziare. Tra le piattaforme di lancio indicate dall’azienda figurano 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 e Weights & Biases, oltre ad altre. Per gli ambienti on-premise, sovrani e isolati da Internet, Dell e HPE distribuiscono Beam dietro il firewall.

Formati di precisione e supporto dei framework

Reflection ha rilasciato i pesi nei formati di precisione BF16, FP8 e NVFP4, insieme a un modello drafter per la decodifica speculativa. L’azienda ha dichiarato di aver collaborato con i partner per ottimizzare le configurazioni di serving e sviluppare kernel fusi, così da ridurre la latenza e aumentare il throughput. Secondo l’azienda, queste misure riducono i requisiti di memoria e accelerano la generazione di token fin da subito.

Beam è supportato nativamente dal primo giorno in Transformers di Hugging Face, vLLM di Inferact, SGLang di RadixArk, Unsloth, Axolotl, TokenSpeed della LightSeek Foundation e Dynamo di NVIDIA. Reflection ha dichiarato che gli sviluppatori possono scaricare il modello e ospitarlo autonomamente, valutarlo, personalizzarlo per i propri ambiti e collegarlo a sistemi basati su agenti tramite Reflection e i suoi partner.

Supporto dal giorno del lancio e prezzi su Baseten

Baseten ha annunciato il supporto per Beam dal giorno del lancio il 16 ottobre 2026, rendendolo disponibile tramite Baseten Model APIs e Dedicated Inference. La libreria di modelli di Baseten descrive Beam come un modello solo testuale sviluppato da Reflection con licenza Apache 2.0 e indica i prezzi delle Model API per milione di token: 1,30 $ per l’input, 4,30 $ per l’input dalla cache e 0,13 $ per l’output.

Beam è un trasformatore autoregressivo che accetta input testuali e genera output testuali. La sua architettura mixture-of-experts comprende 501 miliardi di parametri complessivi, di cui 23 miliardi attivi per token, e una finestra di contesto fino a un milione di token.

I risultati dei benchmark delle valutazioni di Reflection, citati nell’articolo di lancio di Baseten, riportano per Beam il 90,5% in GPQA Diamond, che misura il ragionamento scientifico a livello universitario avanzato; l’80,9% in SWE-bench Verified, che valuta la risoluzione di problemi software reali; il 97,8% in matematica nella competizione AIME 2026; l’80,1% in Terminal-Bench 2.1, che valuta il completamento di attività in un ambiente a riga di comando; e il 78,7% in MCP Atlas, che misura l’uso di strumenti del mondo reale tramite server MCP. Baseten ha dichiarato che Reflection ha addestrato Beam a risolvere attività di programmazione e basate su agenti utilizzando meno token. Rollout di reinforcement learning più lunghi consentono al modello di esercitarsi su problemi articolati in più passaggi, mentre durante l’addestramento viene applicata una penalità sulla lunghezza per scoraggiare l’uso di token non necessari. Gli utenti possono regolare il parametro di intensità del ragionamento di Beam: i valori più bassi favoriscono risposte più brevi, mentre quelli più alti consentono un ragionamento più approfondito nelle attività impegnative.

Mirror CLI e personalizzazione

Reflection ha inoltre reso open source Mirror CLI, un ambiente per agenti da terminale addestrato insieme a Beam. Mirror abbina un’interfaccia frontend in Python, che comprende prompt, competenze e strumenti per sviluppatori, a un nucleo agente in Rust che controlla il modello. Supporta inoltre conversazioni riprendibili, agenti in parallelo in worktree separati, istruzioni di progetto, connessioni MCP ed estensioni Python. Reflection ha dichiarato di aver inizialmente sviluppato Mirror per uso interno nell’ambito dell’ingegneria, con spazi di lavoro isolati, sessioni in background e integrazioni con Slack, Linear e GitHub, prima di trasformarlo in uno strumento che poteva rendere open source.

Beam è stato testato con Pi di Earendil, OpenCode di Anomaly e Hermes di Nous Research su attività di programmazione e lavoro intellettuale, tra cui la lettura di repository, la modifica di file e l’esecuzione di comandi.

Per la personalizzazione, Reflection ha collaborato con NVIDIA su NeMo RL, AutoModel e Megatron; con RadixArk su Miles; con Hugging Face su TRL; con Anyscale su SkyRL; e con Axolotl per creare flussi di lavoro di messa a punto e apprendimento per rinforzo. L’azienda ha dichiarato che le sue più grandi esecuzioni di apprendimento per rinforzo per Beam hanno coinvolto circa 1,3 miliardi di ambienti sandbox tra addestramento, valutazione e studi di ablazione, e che l’esecuzione finale ha raggiunto un picco di 883.006 vCPU, pari all’83% della capacità allocabile, distribuite su 23 cluster in GCP e AWS. Reflection ha dichiarato di voler pubblicare ricette per l’autodistillazione nei prossimi giorni e di voler adottare OpenEnv, uno standard aperto per gli ambienti, nelle esecuzioni future. Baseten descrive Beam come il primo di una nuova famiglia di modelli di Reflection, con funzionalità multilingue e multimodali previste per le versioni future.