Reflection ने Beam की घोषणा की: 501 अरब पैरामीटर वाला ओपन-वेट मॉडल जो एक समय में केवल 23 अरब चलाता है

संक्षिप्त उत्तर: 5 अक्टूबर 2026 को अमेरिकी कंपनी Reflection AI ने अपने पहले ओपन-वेट मॉडल Beam की घोषणा की। इसमें कुल 501 अरब पैरामीटर हैं, लेकिन इसे मिक्सचर-ऑफ-एक्सपर्ट्स (mixture of experts) मॉडल के रूप में बनाया गया है, इसलिए हर टोकन के लिए केवल 23 अरब पैरामीटर सक्रिय होते हैं, और यह दस लाख टोकन तक का प्रभावी कॉन्टेक्स्ट संभालता है। वेट्स Apache 2.0 लाइसेंस के तहत, जो व्यावसायिक उपयोग की अनुमति देता है, "इस महीने के आखिर में" जारी किए जाएंगे, साथ में एक तकनीकी रिपोर्ट, एक मॉडल कार्ड और डेवलपर टूलिंग भी होगी। आज की तारीख में इसे डाउनलोड नहीं किया जा सकता; एकमात्र विकल्प अर्ली एक्सेस प्रोग्राम के लिए साइन अप करना है।

यह हर उस व्यवसाय के लिए मायने रखता है जो अपना डेटा किंगडम के बाहर किसी क्लाउड सेवा को भेजने के बजाय अपने सर्वरों पर AI चलाने पर विचार कर रहा है। लेकिन इन पर योजना बनाने से पहले प्रकाशित आंकड़ों को शांति से पढ़ें।

Reflection ने वास्तव में क्या घोषणा की

  • आकार: कुल 501 अरब पैरामीटर, प्रति टोकन 23 अरब सक्रिय, स्पार्स मिक्सचर-ऑफ-एक्सपर्ट्स आर्किटेक्चर का उपयोग करते हुए।
  • ट्रेनिंग: वेब डेटा और लाइसेंस प्राप्त डेटासेट के 23.8 ट्रिलियन टोकन, 6,144 NVIDIA GB300 GPU पर, चार सप्ताह से कम समय में।
  • रीइन्फोर्समेंट लर्निंग: लगभग 10,500 GB300 GPU पर चार सप्ताह और, 100 मिलियन से अधिक ट्रेनिंग रोलआउट के साथ।
  • लक्षित उपयोग: कोडिंग, रीज़निंग और एजेंटिक काम, जहां मॉडल खुद चरणों का एक क्रम पूरा करता है।
  • रीज़निंग नियंत्रण: एक सेटिंग जो तय करती है कि मॉडल जवाब देने से पहले कितना "सोचे", ताकि आप छोटे तेज जवाब और लंबे विश्लेषण के बीच चुन सकें।
  • दक्षता: कंपनी का कहना है कि Beam उन्नत रीज़निंग बेंचमार्क पर GLM-5.2 के तुलनीय स्कोर हासिल करता है, उसकी अपनी तालिका में थोड़ा नीचे, जबकि अनुमानित रूप से तीन से चार गुना कम इन्फरेंस कंप्यूट का उपयोग करता है। यह आंकड़ा सक्रिय पैरामीटर और जनरेट किए गए टोकन से गणना किया गया है, न कि मापी गई सर्विंग लागत से।

प्रकाशित आंकड़े, और कौन इससे आगे है

Reflection ने सात मॉडलों के मुकाबले एक तुलना तालिका प्रकाशित की, जिनमें GLM 5.2, Qwen 3.8 Max और Kimi K3 शामिल हैं। घोषणा में बताए अनुसार, उन तीनों के मुकाबले मुख्य नतीजे ये हैं:

  • Terminal Bench v2.1 (कमांड-लाइन कार्य): Beam 80.1, जबकि GLM 5.2 का 81.0, Qwen 3.8 Max का 86.6 और Kimi K3 का 88.3।
  • MCP Atlas (MCP प्रोटोकॉल के जरिए टूल का उपयोग): Beam 78.7, मुकाबले में 77.8, 84.5 और 82.3।
  • GPQA Diamond (विशेषज्ञ स्तर के विज्ञान प्रश्न): Beam 90.5, मुकाबले में 91.2, 92.6 और 93.5।
  • DeepSWE v1.1 (असली सॉफ्टवेयर समस्याएं ठीक करना): Beam 44.4, मुकाबले में 44.0, 51.0 और 68.0।
  • AIME 2026 (गणित): Beam 97.8, जबकि GLM 5.2 का 99.2।

इस तालिका की ईमानदार व्याख्या: Beam सबसे मजबूत ओपन मॉडल नहीं है। जिन 14 बेंचमार्क पर दोनों के स्कोर हैं, उनमें से 13 पर Kimi K3 इससे आगे है (एकमात्र अपवाद tau3 banking है, Beam का 38.0 बनाम 37.1), और कोड सुधारने में बड़े अंतर से आगे है (DeepSWE पर 68.0 बनाम 44.4)। Reflection जो बेच रहा है वह दक्षता है: कम चलाने की लागत पर GLM-5.2 के करीब प्रदर्शन। Beam के स्कोर खुद Reflection ने बताए हैं, जबकि कंपनी का कहना है कि प्रतिस्पर्धियों के स्कोर उसने Artificial Analysis और DataCurve से लिए हैं। जब तक वेट्स और तकनीकी रिपोर्ट प्रकाशित नहीं होतीं, स्वतंत्र समूह Beam का दोबारा परीक्षण नहीं कर सकते।

23 अरब सक्रिय का मतलब छोटा सर्वर नहीं है

मिक्सचर-ऑफ-एक्सपर्ट्स मॉडल के बारे में यह सबसे ज्यादा गलत समझा जाने वाला बिंदु है। सक्रिय पैरामीटर की संख्या प्रति टोकन कंप्यूट तय करती है, यानी हर जवाब की गति और लागत। लेकिन मेमोरी में फिर भी पूरा मॉडल रखना होता है। सीधे हिसाब से, 501 अरब पैरामीटर के लिए, प्रत्येक 8 बिट पर, लगभग 500 GB GPU मेमोरी चाहिए, या 16 बिट पर लगभग 1 TB, सिर्फ वेट्स के लिए, कॉन्टेक्स्ट कैश और एक साथ इस्तेमाल करने वाले उपयोगकर्ताओं से पहले। Reflection ने यह नहीं बताया है कि वह वेट्स किस प्रिसिजन में जारी करेगा। आप कई हाई-एंड GPU वाले सर्वर की बात कर रहे हैं, किसी डेस्कटॉप मशीन की नहीं। Reflection ने अभी तक आधिकारिक सर्विंग आवश्यकताएं या कंप्रेस्ड संस्करण प्रकाशित नहीं किए हैं, इसलिए बजट का अनुमान लगाने से पहले उनका इंतजार करें।

सऊदी व्यवसायों के लिए इसका क्या मतलब है

किसी भी ओपन-वेट मॉडल का असली मूल्य इस बात में है कि वह कहां चलता है। जब मॉडल आपके सर्वरों पर या किंगडम के भीतर किसी डेटा सेंटर में चलता है, तो ग्राहक डेटा, अनुबंध और इनवॉइस आपके नियंत्रण में रहते हैं। इससे सऊदी डेटा और कृत्रिम बुद्धिमत्ता प्राधिकरण (SDAIA) की निगरानी वाले व्यक्तिगत डेटा संरक्षण कानून (PDPL) का पालन करना आसान हो जाता है, खासकर किंगडम के बाहर डेटा ट्रांसफर करने से जुड़े इसके नियमों का।

  • आंतरिक कोडिंग एजेंट: एक टेक टीम जो अपना सोर्स कोड किसी बाहरी सेवा को भेजे बिना कोडिंग असिस्टेंट चाहती है।
  • प्रोसेस ऑटोमेशन: एक एजेंट जो अनुरोध पढ़ता है और आंतरिक सिस्टम के टूल को कॉल करता है, जहां MCP Atlas स्कोर गणित बेंचमार्क से ज्यादा मायने रखता है।
  • लंबे दस्तावेजों का विश्लेषण: दस लाख टोकन का कॉन्टेक्स्ट आपको पूरे अनुबंध या लॉग एक ही बार में पढ़ने देता है, बशर्ते आप अपनी फाइलों पर समझ की गुणवत्ता की पुष्टि करें।

एक महत्वपूर्ण चेतावनी: घोषणा में समर्थित भाषाओं के नाम नहीं हैं, और अरबी का उल्लेख नहीं है। एकमात्र बहुभाषी नतीजा SWE-Bench Multilingual का 78.0 है, और वह प्रोग्रामिंग भाषाओं के बारे में है, इंसानी भाषाओं के बारे में नहीं। परीक्षण करने से पहले अरबी की गुणवत्ता मानकर न चलें।

इसे कैसे अपनाएं, कदम दर कदम

  • आज अपनी योजना न बदलें: मॉडल डाउनलोड के लिए उपलब्ध नहीं है, और आंकड़ों की स्वतंत्र समीक्षा नहीं हुई है।
  • अपने काम से एक टेस्ट सेट तैयार करें: 50 से 100 असली कार्य, जैसे अरबी ग्राहक संदेश, अनुरोध और दस्तावेज, हर एक के सही उत्तर के साथ।
  • वेट्स आने पर तुलना करें: Beam को उस ओपन मॉडल से, जिस पर आप पहले से विचार कर रहे हैं, जैसे Kimi K3, सटीकता, लेटेंसी और सर्वर लागत पर परखें।
  • पूरी लागत की गणना करें: सर्वर, बिजली, संचालन और रखरखाव, उसी अनुरोध मात्रा पर क्लाउड API की लागत के मुकाबले।
  • एक स्विचिंग लेयर बनाएं: अपने सिस्टम से मॉडल को एक ही इंटरफेस के जरिए कॉल कराएं, ताकि आप एप्लिकेशन दोबारा बनाए बिना मॉडल बदल सकें।

Origami में जब हम अपने ग्राहकों के लिए AI सिस्टम बनाते हैं तो हम इसी तरह काम करते हैं: हम व्यवसाय के अपने डेटा पर मॉडल का परीक्षण करते हैं, और सिस्टम को इस तरह डिजाइन करते हैं कि मॉडल एक बदला जा सकने वाला हिस्सा हो, ताकि हर नई घोषणा एक पुनर्निर्माण परियोजना न बन जाए। अगर आपका डेटा संवेदनशील है, तो इसे कहां चलाना है यह चुनने से पहले व्यक्तिगत डेटा संरक्षण कानून पर हमारी गाइड पढ़ें।

स्रोत