Dans cet article
- Reflection annonce Beam : un modèle à poids ouverts de 501 milliards de paramètres qui n'en fait tourner que 23 milliards à la fois
- Ce que Reflection a réellement annoncé
- Les chiffres tels que publiés, et qui fait mieux
- 23 milliards actifs ne veut pas dire un petit serveur
- Ce que cela signifie pour les entreprises saoudiennes
- Comment l'aborder, étape par étape
Reflection annonce Beam : un modèle à poids ouverts de 501 milliards de paramètres qui n'en fait tourner que 23 milliards à la fois
La réponse courte : le 5 octobre 2026, l'entreprise américaine Reflection AI a annoncé Beam, son premier modèle à poids ouverts. Il compte 501 milliards de paramètres au total, mais il est construit comme un modèle à mélange d'experts : seuls 23 milliards de paramètres sont actifs pour chaque token, et il gère un contexte effectif allant jusqu'à un million de tokens. Les poids seront publiés sous licence Apache 2.0, qui autorise l'usage commercial, « plus tard ce mois-ci », accompagnés d'un rapport technique, d'une fiche de modèle et d'outils pour développeurs. À ce jour, vous ne pouvez pas le télécharger ; la seule option est de s'inscrire au programme d'accès anticipé.
Cela concerne toute entreprise qui envisage de faire tourner l'IA sur ses propres serveurs plutôt que d'envoyer ses données à un service cloud hors du Royaume. Mais lisez calmement les chiffres publiés avant de bâtir un plan dessus.
Ce que Reflection a réellement annoncé
- Taille : 501 milliards de paramètres au total, 23 milliards actifs par token, avec une architecture à mélange d'experts clairsemé.
- Entraînement : 23,8 billions de tokens de données web et de jeux de données sous licence, sur 6 144 GPU NVIDIA GB300 en moins de quatre semaines.
- Apprentissage par renforcement : quatre semaines de plus sur environ 10 500 GPU GB300, avec plus de 100 millions de déroulés d'entraînement.
- Usage visé : le code, le raisonnement et le travail agentique, où le modèle exécute seul une suite d'étapes.
- Contrôle du raisonnement : un réglage qui détermine combien le modèle « réfléchit » avant de répondre, pour choisir entre une réponse courte et rapide et une analyse plus longue.
- Efficacité : l'entreprise affirme que Beam obtient des scores comparables à GLM-5.2 sur les benchmarks de raisonnement avancé, légèrement inférieurs dans son propre tableau, tout en utilisant selon ses estimations trois à quatre fois moins de calcul d'inférence. Ce chiffre est calculé à partir des paramètres actifs et des tokens générés, et non d'un coût de service mesuré.
Les chiffres tels que publiés, et qui fait mieux
Reflection a publié un tableau comparatif face à sept modèles, dont GLM 5.2, Qwen 3.8 Max et Kimi K3. Voici les principaux résultats face à ces trois-là, tels qu'indiqués dans l'annonce :
- Terminal Bench v2.1 (tâches en ligne de commande) : Beam obtient 80,1, contre 81,0 pour GLM 5.2, 86,6 pour Qwen 3.8 Max et 88,3 pour Kimi K3.
- MCP Atlas (utilisation d'outils via le protocole MCP) : Beam obtient 78,7, contre 77,8, 84,5 et 82,3.
- GPQA Diamond (questions scientifiques de niveau expert) : Beam obtient 90,5, contre 91,2, 92,6 et 93,5.
- DeepSWE v1.1 (correction de vrais problèmes logiciels) : Beam obtient 44,4, contre 44,0, 51,0 et 68,0.
- AIME 2026 (mathématiques) : Beam obtient 97,8 contre 99,2 pour GLM 5.2.
La lecture honnête de ce tableau : Beam n'est pas le modèle ouvert le plus fort. Kimi K3 le devance sur 13 des 14 benchmarks où les deux ont un score (la seule exception est tau3 banking, avec 38,0 pour Beam contre 37,1), et avec une large marge sur la réparation de code (68,0 contre 44,4 sur DeepSWE). Ce que Reflection vend, c'est l'efficacité : des performances proches de GLM-5.2 pour un coût d'exploitation plus faible. Les scores de Beam sont déclarés par Reflection elle-même, tandis que l'entreprise dit avoir repris les scores des concurrents chez Artificial Analysis et DataCurve. Des groupes indépendants ne pourront retester Beam qu'une fois les poids et le rapport technique publiés.
23 milliards actifs ne veut pas dire un petit serveur
C'est le point le plus mal compris des modèles à mélange d'experts. Le nombre de paramètres actifs détermine le calcul par token, c'est-à-dire la vitesse et le coût de chaque réponse. Mais la mémoire doit toujours contenir le modèle entier. Par simple calcul, 501 milliards de paramètres nécessitent environ 500 Go de mémoire GPU à 8 bits chacun, ou environ 1 To à 16 bits, pour les seuls poids, avant le cache de contexte et les utilisateurs simultanés. Reflection n'a pas indiqué en quelle précision elle publiera les poids. On parle d'un serveur doté de plusieurs GPU haut de gamme, pas d'une machine de bureau. Reflection n'a pas encore publié de configuration officielle de service ni de versions compressées ; attendez-les avant d'estimer un budget.
Ce que cela signifie pour les entreprises saoudiennes
La vraie valeur de tout modèle à poids ouverts tient à l'endroit où il tourne. Lorsque le modèle tourne sur vos serveurs ou dans un centre de données situé dans le Royaume, les données clients, les contrats et les factures restent sous votre contrôle. Il est alors plus facile de respecter la loi sur la protection des données personnelles (PDPL), supervisée par l'Autorité saoudienne des données et de l'intelligence artificielle (SDAIA), en particulier ses règles sur le transfert de données hors du Royaume.
- Agents de code internes : une équipe technique qui veut un assistant de programmation sans envoyer son code source à un service extérieur.
- Automatisation des processus : un agent qui lit des demandes et appelle les outils des systèmes internes, où le score MCP Atlas compte davantage que les benchmarks de mathématiques.
- Analyse de longs documents : un contexte d'un million de tokens permet de lire des contrats ou des journaux entiers en une seule passe, à condition de vérifier la qualité de compréhension sur vos propres fichiers.
Une réserve importante : l'annonce ne nomme pas les langues prises en charge et ne mentionne pas l'arabe. Le seul résultat multilingue est SWE-Bench Multilingual, avec 78,0, et il porte sur les langages de programmation, pas sur les langues humaines. Ne présumez pas de la qualité en arabe avant de l'avoir testée.
Comment l'aborder, étape par étape
- Ne changez pas votre plan aujourd'hui : le modèle n'est pas téléchargeable, et les chiffres n'ont pas été vérifiés de manière indépendante.
- Préparez un jeu de test tiré de votre propre activité : 50 à 100 tâches réelles, comme des messages clients, des demandes et des documents en arabe, avec la bonne réponse pour chacune.
- Comparez lorsque les poids arrivent : Beam face au modèle ouvert que vous envisagez déjà, comme Kimi K3, sur la précision, la latence et le coût serveur.
- Calculez le coût complet : serveur, électricité, exploitation et maintenance, face au coût d'une API cloud pour le même volume de requêtes.
- Construisez une couche de bascule : faites appeler le modèle par votre système via une interface unique, pour pouvoir passer d'un modèle à l'autre sans reconstruire l'application.
C'est ainsi que nous travaillons chez Origami lorsque nous construisons des systèmes d'IA pour nos clients : nous testons le modèle sur les propres données de l'entreprise, et nous concevons le système de sorte que le modèle soit une pièce remplaçable, afin que chaque nouvelle annonce ne se transforme pas en projet de reconstruction. Si vos données sont sensibles, lisez notre guide de la loi sur la protection des données personnelles avant de choisir où le faire tourner.
Sources
Questions fréquentes
Puis-je télécharger et exécuter Beam dès maintenant ?
Pas encore. Reflection AI a annoncé Beam le 5 octobre 2026 et a indiqué que les poids et le rapport technique seraient publiés plus tard en octobre sous licence Apache 2.0. Pour l'instant, la seule option est de s'inscrire au programme d'accès anticipé sur la plateforme de l'entreprise.
Mon entreprise peut-elle utiliser Beam commercialement ?
Oui, selon l'annonce : les poids seront publiés sous Apache 2.0, qui autorise l'usage commercial et la modification. Vérifiez le texte de la licence et la fiche du modèle lors de leur publication pour confirmer l'absence de conditions supplémentaires.
De quel type de serveur un modèle de 501 milliards de paramètres a-t-il besoin ?
Même si seuls 23 milliards de paramètres sont actifs par token, la mémoire doit contenir le modèle entier. En estimation grossière, les poids seuls nécessitent environ 500 Go de mémoire GPU en 8 bits, ou environ 1 To en 16 bits, soit un serveur équipé de plusieurs GPU haut de gamme. Reflection n'a pas encore publié de configuration officielle.
Beam prend-il en charge l'arabe ?
L'annonce officielle ne liste pas les langues prises en charge et ne mentionne pas l'arabe. Testez-le sur un échantillon de vos propres messages clients et documents en arabe avant de vous y fier dans un système exposé aux clients.
Suivez Origami sur Google
Ajoutez Origami à vos sources préférées : nos articles apparaîtront en premier pour vous dans la recherche Google et les actualités à la une.
