Reflection brengt de open gewichten van Beam uit onder de Apache 2.0-licentie

Reflection heeft op 16 oktober 2026 de gewichten van Beam, zijn eerste model met open gewichten, onder een Apache 2.0-licentie uitgebracht op Hugging Face. Baseten heeft het mixture-of-expertsmodel met 501 miljard parameters naar zijn platform gehaald en biedt vanaf dag één ondersteuning via Model APIs en Dedicated Inference.

Reflection introduceerde Beam voor het eerst op 5 oktober 2026, terwijl het model de laatste red-teamtests en evaluaties onderging. Vroege toegang was beperkt tot een wachtlijst en de gewichten zouden later die maand beschikbaar komen. Het bedrijf zei dat het Beam heeft voorgetraind op 23,8 biljoen tokens en het vervolgens heeft verfijnd met een reinforcement-learning-run die in vier weken tijd meer dan 100 miljoen roll-outs genereerde op 10,5K NVIDIA GB300-GPU’s.

Gewichten, documentatie en beschikbaarheid op platforms

In de aankondiging van de beschikbaarheid zei Reflection dat de release een modelkaart met de definitieve benchmarkresultaten bevat, evenals een technisch veiligheidsrapport over Beam met een beschrijving van de volledige veiligheidsmethodologie en de evaluaties van het model. Het bedrijf omschreef de lancering in de aankondiging van de beschikbaarheid als een ecosysteem van meer dan 40 partners en integraties dat samen vormt wat het een ‘open besturingssysteem voor agents’ noemt. Het model fungeert daarbij als kernel, met referentie-integraties voor agents, implementatiecontainers, inferentie-integraties en aanpassingspipelines die boven de infrastructuurlaag open beschikbaar zijn.

Reflection heeft ook een openbare bèta geopend van zijn eigen API op platform.reflection.ai, die volgens het bedrijf gratis is om mee te beginnen. De platforms waarop het model bij de lancering beschikbaar is, zijn volgens het bedrijf onder meer 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 en Weights & Biases. Voor on-premises-, soevereine en volledig van netwerken geïsoleerde omgevingen leveren Dell en HPE Beam achter de firewall.

Precisieformaten en ondersteuning voor frameworks

Reflection heeft de gewichten uitgebracht in de precisieformaten BF16, FP8 en NVFP4, samen met een draftmodel voor speculative decoding. Het bedrijf zei met partners te hebben samengewerkt om configuraties voor serving te optimaliseren en gefuseerde kernels te ontwikkelen voor een lagere latentie en hogere doorvoer. Volgens het bedrijf verlagen deze stappen de geheugenvereisten en versnellen ze het genereren van tokens direct na installatie.

Beam wordt vanaf dag nul standaard ondersteund in Transformers van Hugging Face, vLLM van Inferact, SGLang van RadixArk, Unsloth, Axolotl, TokenSpeed van de LightSeek Foundation en Dynamo van NVIDIA. Reflection zei dat ontwikkelaars het model kunnen downloaden en zelf hosten, evalueren, aanpassen aan hun eigen domeinen en via Reflection en zijn partners koppelen aan agentsystemen.

Ondersteuning vanaf dag één en prijzen op Baseten

Baseten kondigde op 16 oktober 2026 ondersteuning vanaf dag één voor Beam aan. Het model is beschikbaar via Baseten Model APIs en Dedicated Inference. De modellenbibliotheek van Baseten omschrijft Beam als een uitsluitend op tekst gericht model dat door Reflection is ontwikkeld onder de Apache 2.0-licentie. De prijzen voor Model API per miljoen tokens zijn $1,30 voor invoer, $4,30 voor invoer uit de cache en $0,13 voor uitvoer.

Beam is een autoregressieve transformer die tekst als invoer accepteert en tekst als uitvoer genereert. De mixture-of-expertsarchitectuur telt in totaal 501 miljard parameters, waarvan er per token 23 miljard actief zijn. Het contextvenster biedt ruimte aan maximaal één miljoen tokens.

Benchmarkresultaten uit de evaluaties van Reflection, aangehaald in het lanceringsbericht van Baseten, laten zien dat Beam 90,5% behaalt op GPQA Diamond, dat wetenschappelijk redeneervermogen op universitair masterniveau meet; 80,9% op SWE-bench Verified, dat beoordeelt of echte softwareproblemen worden opgelost; 97,8% op de wedstrijdwiskunde van AIME 2026; 80,1% op Terminal-Bench 2.1 voor het uitvoeren van taken in een opdrachtregelomgeving; en 78,7% op MCP Atlas voor het gebruik van praktijkgerichte tools via MCP-servers. Baseten zei dat Reflection Beam heeft getraind om programmeertaken en taken met agents uit te voeren met minder tokens. Dankzij langere roll-outs voor reinforcement learning kon het model meerstapsproblemen oefenen. Tijdens de training werd bovendien een lengtepenalty toegepast om onnodige tokens te ontmoedigen. Gebruikers kunnen de parameter voor de redeneerinspanning van Beam aanpassen: lagere instellingen leveren kortere antwoorden op, terwijl hogere instellingen meer redeneerruimte bieden voor veeleisende taken.

Mirror CLI en aanpassing

Reflection heeft ook Mirror CLI open source gemaakt, een terminalframework voor agents dat samen met Beam is getraind. Mirror combineert een Python-frontend voor prompts, vaardigheden en ontwikkelaarstools met een Rust-agentkern die het model aanstuurt. Het ondersteunt hervatbare gesprekken, parallelle agents in afzonderlijke worktrees, projectinstructies, MCP-verbindingen en Python-uitbreidingen. Reflection zei dat het Mirror aanvankelijk had gebouwd voor intern gebruik door de engineeringteams, met geïsoleerde werkruimten, achtergrondsessies en integraties met Slack, Linear en GitHub, voordat het de tool verder ontwikkelde tot een project dat het open source kon maken.

Beam is getest met Pi van Earendil, OpenCode van Anomaly en Hermes van Nous Research voor programmeertaken en kenniswerk, waaronder het lezen van repositories, bewerken van bestanden en uitvoeren van opdrachten.

Voor de aanpassing werkte Reflection samen met NVIDIA aan NeMo RL, AutoModel en Megatron; met RadixArk aan Miles; met Hugging Face aan TRL; met Anyscale aan SkyRL; en met Axolotl aan workflows voor finetuning en reinforcement learning. Het bedrijf zei dat bij de grootste RL-runs voor Beam ongeveer 1,3 miljard sandboxomgevingen werden gebruikt voor training, evaluatie en ablatiestudies. De laatste run bereikte een piek van 883,006 vCPU’s, 83% van de toewijsbare capaciteit, verspreid over 23 clusters op GCP en AWS. Reflection zei dat het van plan is de recepten voor zelfdistillatie in de komende dagen uit te brengen en voor toekomstige runs OpenEnv, een open standaard voor omgevingen, te gaan gebruiken. Volgens Baseten is Beam het eerste model in een nieuwe modelfamilie van Reflection. Voor toekomstige releases staan meertalige en multimodale mogelijkheden gepland.