Reflection Beam. Otwarty model 501 mld parametrów na Apache 2.0

Czym jest Reflection Beam

Beam to model językowy wyłącznie tekstowy, zbudowany w architekturze mixture-of-experts (MoE). Model tego typu składa się z wielu wyspecjalizowanych podsieci, ale do przetworzenia każdego tokenu uruchamia tylko część z nich. Dzięki temu Beam ma 501 mld parametrów, a koszt pojedynczego zapytania odpowiada modelowi z około 23 mld parametrów.

Reflection AI założyli w 2024 roku dwaj byli badacze Google DeepMind. Według TechCrunch firma zebrała łącznie około 4,7 mld USD, czyli ok. 18,4 mld zł po kursie NBP z 5 października 2026 roku (3,9116 zł). Wśród inwestorów są NVIDIA, Sequoia Capital i Lightspeed Venture Partners.

Firma pozycjonuje Beam jako zachodnią alternatywę dla otwartych modeli z Chin, takich jak GLM, Qwen czy Kimi. To ważny wątek dla firm, które z powodów prawnych lub polityki bezpieczeństwa nie chcą wdrażać modeli chińskich dostawców.

Wyniki Beam w testach

Reflection opublikowała wyniki w sześciu testach. Wszystkie pochodzą od producenta i nie zostały jeszcze niezależnie powtórzone. W części pozycji brakuje też wyników konkurentów, oznaczonych przez firmę jako nieraportowane.

• AIME 2026 (matematyka): Beam 97,8, GLM 5.2 99,2.
• GPQA Diamond (wiedza naukowa): Beam 90,5, GLM 5.2 91,2, Qwen 3.8-Max 92,6, Kimi K3 93,5.
• Terminal Bench v2.1 (praca w terminalu): Beam 80,1, GLM 5.2 81,0, Qwen 3.8-Max 86,6, Kimi K3 88,3.
• MCP Atlas (używanie narzędzi): Beam 78,7, GLM 5.2 77,8, Qwen 3.8-Max 84,5, Kimi K3 82,3.
• SWE Bench Pro v2-Hard (programowanie): Beam 77,2, Kimi K3 88,2.
• DeepSWE v1.1 (programowanie): Beam 44,4, GLM 5.2 44,0, Qwen 3.8-Max 51,0, Kimi K3 68,0.

Co z tych liczb wynika w praktyce

Beam nie jest najmocniejszym otwartym modelem w tabeli. W programowaniu i pracy agentowej Kimi K3 oraz Qwen 3.8-Max uzyskują wyższe wyniki, a GLM 5.2 jest na zbliżonym poziomie. Główny argument Reflection to wydajność: według firmy Beam osiąga wyniki GLM 5.2 w rozumowaniu przy trzy-czterokrotnie mniejszej liczbie obliczeń na etapie odpowiedzi.

Dla porównania GLM 5.2 ma według TechCrunch ok. 744 mld parametrów, z czego 40 mld aktywnych. Mniejsza liczba aktywnych parametrów oznacza niższy koszt generowania tokenów, co ma znaczenie przy długich zadaniach agentowych, w których model wykonuje dziesiątki kroków.

W naszej ocenie Beam będzie interesujący przede wszystkim dla zespołów, które chcą uruchomić duży model u siebie i liczą koszt każdego tokenu. Firmom, którym zależy na najwyższej jakości kodu, dzisiejsze wyniki nie dają powodu do zmiany modelu.

Wymagania sprzętowe i dostępność

Mała liczba aktywnych parametrów nie oznacza małego modelu w pamięci. Wszystkie 501 mld parametrów musi zmieścić się w pamięci układów. Według szacunku redakcji w formacie 8-bitowym wagi zajmą ok. 500 GB, a po kwantyzacji do 4 bitów ok. 250 GB, nie licząc pamięci na kontekst. To poziom serwera z ośmioma kartami klasy H100 lub H200, a nie pojedynczej stacji roboczej.

Reflection zapowiada publikację wag, raportu technicznego i karty modelu w październiku 2026 roku. Model ma trafić do dużych chmur, mniejszych dostawców GPU i popularnych bibliotek open source. Na platform.reflection.ai działa lista oczekujących na wczesny dostęp. Firma nie podała cen API.

Beam przechodzi jeszcze końcowe testy bezpieczeństwa (red teaming). Reflection zapowiada też udostępnienie własnych testów bezpieczeństwa, których użyła przy treningu.

Znaczenie dla firm w Polsce i UE

Licencja Apache 2.0 pozwala uruchomić model w polskim lub unijnym centrum danych i przetwarzać dane bez wysyłania ich do zewnętrznego dostawcy. To argument dla banków, kancelarii i administracji, które muszą kontrolować lokalizację danych osobowych zgodnie z RODO.

AI Act przewiduje dla modeli ogólnego przeznaczenia na otwartych licencjach częściowe zwolnienia z obowiązków dokumentacyjnych, chyba że model stwarza ryzyko systemowe. Próg domniemania takiego ryzyka to 10^25 operacji zmiennoprzecinkowych (FLOP) przy treningu. Reflection nie podała tej liczby. Przybliżony szacunek redakcji dla samego pretreningu, liczony standardowym wzorem 6 × parametry aktywne × tokeny, daje ok. 3,3 × 10^24 FLOP, ale nie obejmuje etapu uczenia ze wzmocnieniem.

Firma nie podała listy obsługiwanych języków. Przed wdrożeniem w polskiej firmie trzeba będzie sprawdzić jakość odpowiedzi po polsku na własnych danych, porównując Beam na przykład z europejskim Kolibri od Aleph Alpha.

Ograniczenia i niewiadome

Wszystkie wyniki pochodzą od Reflection i obejmują wybrane przez firmę testy. Raport techniczny z pełnymi wynikami bezpieczeństwa ma się ukazać dopiero razem z wagami.

Nie są znane ceny API, data publikacji wag co do dnia, lista języków ani wymagania licencyjne dotyczące danych treningowych. Beam nie obsługuje obrazu ani dźwięku, więc nie zastąpi modeli multimodalnych.