Reflection анонсировала Beam: модель с открытыми весами на 501 млрд параметров, из которых одновременно работают только 23 млрд

Коротко: 5 октября 2026 года американская компания Reflection AI анонсировала Beam — свою первую модель с открытыми весами. Всего у неё 501 млрд параметров, но она построена как модель со смесью экспертов (mixture of experts), поэтому на каждый токен активны только 23 млрд параметров, а эффективный контекст достигает одного миллиона токенов. Веса будут выпущены под лицензией Apache 2.0, допускающей коммерческое использование, «позже в этом месяце» вместе с техническим отчётом, карточкой модели и инструментами для разработчиков. На сегодня скачать модель нельзя; единственный вариант — записаться в программу раннего доступа.

Это важно для любой компании, которая думает о запуске ИИ на собственных серверах вместо отправки данных в облачный сервис за пределами Королевства. Но прежде чем строить на них планы, спокойно разберитесь в опубликованных цифрах.

Что на самом деле анонсировала Reflection

  • Размер: всего 501 млрд параметров, 23 млрд активных на токен, разреженная архитектура со смесью экспертов.
  • Обучение: 23,8 трлн токенов веб-данных и лицензированных датасетов на 6144 GPU NVIDIA GB300 менее чем за четыре недели.
  • Обучение с подкреплением: ещё четыре недели примерно на 10 500 GPU GB300, более 100 млн обучающих прогонов (rollouts).
  • Целевое применение: программирование, рассуждения и агентная работа, когда модель самостоятельно выполняет последовательность шагов.
  • Управление рассуждением: настройка, определяющая, сколько модель «думает» перед ответом, чтобы можно было выбрать между коротким быстрым ответом и более длинным анализом.
  • Эффективность: компания утверждает, что Beam показывает результаты, сопоставимые с GLM-5.2, на бенчмарках продвинутых рассуждений, в её собственной таблице немного ниже, при этом использует, по оценке, в три–четыре раза меньше вычислений на инференс. Эта цифра рассчитана по активным параметрам и сгенерированным токенам, а не по измеренной стоимости обслуживания.

Цифры в том виде, как они опубликованы, и кто сильнее

Reflection опубликовала сравнительную таблицу с семью моделями, включая GLM 5.2, Qwen 3.8 Max и Kimi K3. Вот основные результаты по этим трём, как указано в анонсе:

  • Terminal Bench v2.1 (задачи в командной строке): Beam 80,1 против 81,0 у GLM 5.2, 86,6 у Qwen 3.8 Max и 88,3 у Kimi K3.
  • MCP Atlas (использование инструментов по протоколу MCP): Beam 78,7 против 77,8, 84,5 и 82,3.
  • GPQA Diamond (научные вопросы экспертного уровня): Beam 90,5 против 91,2, 92,6 и 93,5.
  • DeepSWE v1.1 (исправление реальных проблем в ПО): Beam 44,4 против 44,0, 51,0 и 68,0.
  • AIME 2026 (математика): Beam 97,8 против 99,2 у GLM 5.2.

Честное прочтение этой таблицы: Beam — не самая сильная открытая модель. Kimi K3 опережает её в 13 из 14 бенчмарков, где есть результаты обеих (единственное исключение — tau3 banking, 38,0 у Beam против 37,1), причём с большим отрывом в исправлении кода (68,0 против 44,4 в DeepSWE). Reflection продаёт эффективность: производительность, близкую к GLM-5.2, при меньшей стоимости работы. Результаты Beam сообщает сама Reflection, а результаты конкурентов, по словам компании, взяты у Artificial Analysis и DataCurve. Независимые группы не смогут перепроверить Beam, пока не будут опубликованы веса и технический отчёт.

23 млрд активных параметров не означают маленький сервер

Это самый неверно понимаемый момент в моделях со смесью экспертов. Число активных параметров определяет объём вычислений на токен, то есть скорость и стоимость каждого ответа. Но память всё равно должна вмещать всю модель. По простой арифметике, 501 млрд параметров требуют примерно 500 GB памяти GPU при 8 битах на параметр или около 1 TB при 16 битах — только для весов, ещё до кэша контекста и одновременных пользователей. Reflection не сообщила, в какой точности выпустит веса. Речь идёт о сервере с несколькими GPU высокого класса, а не о настольном компьютере. Официальных требований к развёртыванию и сжатых версий Reflection пока не опубликовала, поэтому дождитесь их, прежде чем оценивать бюджет.

Что это значит для саудовского бизнеса

Настоящая ценность любой модели с открытыми весами — в том, где она работает. Когда модель запущена на ваших серверах или в дата-центре внутри Королевства, данные клиентов, договоры и счета остаются под вашим контролем. Это упрощает соблюдение Закона о защите персональных данных (PDPL), надзор за которым осуществляет Саудовское управление по данным и искусственному интеллекту (SDAIA), особенно его правил о передаче данных за пределы Королевства.

  • Внутренние агенты для программирования: техническая команда, которой нужен помощник по коду без отправки исходного кода во внешний сервис.
  • Автоматизация процессов: агент, который читает заявки и вызывает инструменты внутренних систем; здесь результат MCP Atlas важнее математических бенчмарков.
  • Анализ длинных документов: контекст в один миллион токенов позволяет прочитать целые договоры или журналы за один проход, при условии что вы проверите качество понимания на собственных файлах.

Важная оговорка: в анонсе не названы поддерживаемые языки и не упоминается арабский. Единственный многоязычный результат — SWE-Bench Multilingual с 78,0, и речь там о языках программирования, а не о человеческих языках. Не рассчитывайте на качество арабского, пока не проверите его.

Как действовать, шаг за шагом

  • Не меняйте план сегодня: модель недоступна для скачивания, а цифры не прошли независимую проверку.
  • Подготовьте тестовый набор из собственной работы: от 50 до 100 реальных задач, например сообщения клиентов на арабском, заявки и документы, с правильным ответом для каждой.
  • Сравните, когда появятся веса: Beam против открытой модели, которую вы уже рассматриваете, например Kimi K3, по точности, задержке и стоимости сервера.
  • Посчитайте полную стоимость: сервер, электроэнергия, эксплуатация и обслуживание против стоимости облачного API при том же объёме запросов.
  • Постройте слой переключения: пусть ваша система обращается к модели через единый интерфейс, чтобы можно было переходить с одной модели на другую без переделки приложения.

Так мы работаем в Origami, когда создаём ИИ-системы для клиентов: тестируем модель на собственных данных компании и проектируем систему так, чтобы модель была заменяемой частью, и каждый новый анонс не превращался в проект по перестройке. Если ваши данные чувствительны, прочитайте наше руководство по Закону о защите персональных данных, прежде чем выбирать, где запускать модель.

Источники