Beam: Reflection's 501B open-weight model

We are introducing Beam, Reflection’s first open-weight model. Beam is a sparse Mixture-of-Experts model with 501 billion total parameters, 23 billion active, built for coding, reasoning, and agentic workloads. Beam’s capabilities come from major investments in both pretraining and reinforcement learning (RL). We pretrained the model on 23.8 trillion diverse, curated, high-quality tokens from the web and proprietary licensed datasets, matching or outperforming available similar-sized open base models. In parallel, we developed the algorithms, training environments, and infrastructure needed to sustain high-compute RL at exceptional scale.

Our high-compute RL run generated over 100 million rollouts on 10.5K NVIDIA GB300 GPUs over 4 weeks of training. Together, these efforts produced competitive open-weight performance with frontier inference compute efficiency. Beam is undergoing final red-teaming and evaluations. We will release the weights, technical report, model card, and developer artifacts later this month.

Beam advances the Western open-weight frontier and is competitive with larger open models like GLM 5.2 and approaching Qwen 3.8-Max on coding and agentic tasks. Beam pairs coding and agentic capabilities with highly efficient reasoning. On advanced reasoning benchmarks, it achieves scores comparable to GLM-5.2 while using 3–4× less inference compute. These results translate into more intelligence per token, delivering strong model capabilities at lower cost, making Beam a powerful workhorse model for enterprise coding and agentic workloads.

نقدم Beam، أول نموذج مفتوح الوزن من Reflection. Beam هو نموذج خليط الخبراء المتناثر بإجمالي 501 مليار معلمة و23 مليار نشطة، مبني لأحمال عمل البرمجة والاستدلال والوكيل. تأتي قدرات Beam من استثمارات كبيرة في كل من التدريب المسبق والتعلم المعزز (RL). قمنا بتدريب النموذج مسبقًا على 23.8 تريليون رمز متنوع ومنسق وعالي الجودة من الويب ومجموعات البيانات المرخصة الملكية، مما يطابق أو يتفوق على النماذج الأساسية المفتوحة المتاحة ذات الحجم المماثل. بالتوازي، طورنا الخوارزميات وبيئات التدريب والبنية التحتية اللازمة لدعم التعلم المعزز عالي الحوسبة على نطاق استثنائي.

أنتج تشغيل التعلم المعزز عالي الحوسبة لدينا أكثر من 100 مليون عملية طرح على 10.5 ألف NVIDIA GB300 GPU على مدى 4 أسابيع من التدريب. معًا، أنتجت هذه الجهود أداءً تنافسيًا مفتوح الوزن مع كفاءة حوسبة استدلال رائدة. يخضع Beam حاليًا لاختبارات الفريق الأحمر والتقييمات النهائية. سنصدر الأوزان والتقرير الفني وبطاقة النموذج وقطع المطور في وقت لاحق من هذا الشهر.

يقدم Beam تقدمًا في حدود الوزن المفتوح الغربية وهو تنافسي مع نماذج مفتوحة أكبر مثل GLM 5.2 ويقترب من Qwen 3.8-Max في مهام البرمجة والوكيل. يجمع Beam بين قدرات البرمجة والوكيل واستدلال عالي الكفاءة. على معايير الاستدلال المتقدمة، يحقق نتائج مماثلة لـ GLM-5.2 مع استخدام حوسبة استدلال أقل بـ 3–4 مرات. تترجم هذه النتائج إلى ذكاء أكبر لكل رمز، مما يوفر قدرات نموذجية قوية بتكلفة أقل، مما يجعل Beam نموذج عمل قويًا لأحمال عمل البرمجة والوكيل في المؤسسات.

আমরা Beam চালু করছি, যা Reflection-এর প্রথম ওপেন-ওয়েট মডেল। Beam একটি স্পার্স মিক্সচার-অফ-এক্সপার্টস মডেল যার মোট 501 বিলিয়ন প্যারামিটার এবং 23 বিলিয়ন সক্রিয়, যা কোডিং, যুক্তি এবং এজেন্টিক কাজের জন্য নির্মিত। Beam-এর ক্ষমতা প্রিট্রেনিং এবং রিইনফোর্সমেন্ট লার্নিং (RL) উভয় ক্ষেত্রে বড় বিনিয়োগ থেকে আসে। আমরা ওয়েব এবং মালিকানাধীন লাইসেন্সপ্রাপ্ত ডেটাসেট থেকে 23.8 ট্রিলিয়ন বৈচিত্র্যময়, কিউরেটেড, উচ্চ-মানের টোকেনে মডেলটি প্রিট্রেন করেছি, যা উপলব্ধ অনুরূপ আকারের ওপেন বেস মডেলের সাথে মেলে বা ছাড়িয়ে যায়। সমান্তরালে, আমরা উচ্চ-কম্পিউট RL টেকসই করার জন্য প্রয়োজনীয় অ্যালগরিদম, প্রশিক্ষণ পরিবেশ এবং অবকাঠামো তৈরি করেছি।

আমাদের উচ্চ-কম্পিউট RL রান 10.5K NVIDIA GB300 GPU-তে 4 সপ্তাহের প্রশিক্ষণে 100 মিলিয়নেরও বেশি রোলআউট তৈরি করেছে। একসাথে, এই প্রচেষ্টাগুলি ফ্রন্টিয়ার ইনফারেন্স কম্পিউট দক্ষতার সাথে প্রতিযোগিতামূলক ওপেন-ওয়েট পারফরম্যান্স তৈরি করেছে। Beam চূড়ান্ত রেড-টিমিং এবং মূল্যায়নের মধ্য দিয়ে যাচ্ছে। আমরা এই মাসের শেষে ওয়েট, টেকনিক্যাল রিপোর্ট, মডেল কার্ড এবং ডেভেলপার আর্টিফ্যাক্ট প্রকাশ করব।

Beam পশ্চিমা ওপেন-ওয়েট ফ্রন্টিয়ারকে এগিয়ে নিয়ে যায় এবং কোডিং এবং এজেন্টিক কাজে GLM 5.2-এর মতো বড় ওপেন মডেলের সাথে প্রতিযোগিতামূলক এবং Qwen 3.8-Max-এর কাছাকাছি। Beam কোডিং এবং এজেন্টিক ক্ষমতাকে অত্যন্ত দক্ষ যুক্তির সাথে যুক্ত করে। উন্নত যুক্তি বেঞ্চমার্কে, এটি 3–4× কম ইনফারেন্স কম্পিউট ব্যবহার করে GLM-5.2-এর সমান স্কোর অর্জন করে। এই ফলাফলগুলি প্রতি টোকেনে আরও বুদ্ধিমত্তায় রূপান্তরিত হয়, কম খরচে শক্তিশালী মডেল ক্ষমতা প্রদান করে, যা Beam-কে এন্টারপ্রাইজ কোডিং এবং এজেন্টিক কাজের জন্য একটি শক্তিশালী ওয়ার্কহর্স মডেল করে তোলে।

Wir stellen Beam vor, Reflections erstes Open-Weight-Modell. Beam ist ein spärliches Mixture-of-Experts-Modell mit 501 Milliarden Gesamtparametern und 23 Milliarden aktiven, entwickelt für Codierungs-, Reasoning- und agentische Workloads. Beams Fähigkeiten resultieren aus großen Investitionen sowohl in das Vortraining als auch in Reinforcement Learning (RL). Wir haben das Modell auf 23,8 Billionen vielfältigen, kuratierten, hochwertigen Tokens aus dem Web und proprietären lizenzierten Datensätzen vortrainiert und übertreffen damit verfügbare offene Basismodelle ähnlicher Größe oder erreichen deren Niveau. Parallel entwickelten wir die Algorithmen, Trainingsumgebungen und Infrastruktur, die erforderlich sind, um hochrechenintensives RL in außergewöhnlichem Maßstab zu unterstützen.

Unser hochrechenintensiver RL-Lauf generierte über 100 Millionen Rollouts auf 10,5K NVIDIA GB300 GPUs über 4 Wochen Training. Zusammen führten diese Bemühungen zu konkurrenzfähiger Open-Weight-Leistung mit effizienter Inferenzrechenleistung an der Spitze. Beam durchläuft derzeit finale Red-Teaming- und Evaluierungsphasen. Wir werden die Gewichte, den technischen Bericht, die Modellkarte und Entwickler-Artefakte später in diesem Monat veröffentlichen.

Beam treibt die westliche Open-Weight-Grenze voran und ist konkurrenzfähig mit größeren offenen Modellen wie GLM 5.2 und nähert sich Qwen 3.8-Max bei Codierungs- und agentischen Aufgaben. Beam kombiniert Codierungs- und agentische Fähigkeiten mit hocheffizientem Reasoning. Bei fortgeschrittenen Reasoning-Benchmarks erreicht es mit 3–4× weniger Inferenzrechenaufwand vergleichbare Ergebnisse wie GLM-5.2. Diese Ergebnisse führen zu mehr Intelligenz pro Token und bieten starke Modellfähigkeiten zu geringeren Kosten, was Beam zu einem leistungsstarken Arbeitstier für unternehmensweite Codierungs- und agentische Workloads macht.

Presentamos Beam, el primer modelo de peso abierto de Reflection. Beam es un modelo de mezcla de expertos dispersa con 501 mil millones de parámetros totales y 23 mil millones activos, construido para cargas de trabajo de codificación, razonamiento y agénticas. Las capacidades de Beam provienen de grandes inversiones tanto en preentrenamiento como en aprendizaje por refuerzo (RL). Preentrenamos el modelo en 23.8 billones de tokens diversos, curados y de alta calidad de la web y conjuntos de datos propietarios con licencia, igualando o superando los modelos base abiertos de tamaño similar disponibles. En paralelo, desarrollamos los algoritmos, entornos de entrenamiento e infraestructura necesarios para sostener RL de alta computación a escala excepcional.

Nuestra ejecución de RL de alta computación generó más de 100 millones de rollouts en 10.5K GPU NVIDIA GB300 durante 4 semanas de entrenamiento. Juntos, estos esfuerzos produjeron un rendimiento competitivo de peso abierto con eficiencia de cómputo de inferencia de frontera. Beam está en fase final de red-teaming y evaluaciones. Publicaremos los pesos, el informe técnico, la tarjeta del modelo y los artefactos de desarrollador a finales de este mes.

Beam avanza la frontera de peso abierto occidental y es competitivo con modelos abiertos más grandes como GLM 5.2 y se acerca a Qwen 3.8-Max en tareas de codificación y agénticas. Beam combina capacidades de codificación y agénticas con razonamiento altamente eficiente. En benchmarks de razonamiento avanzado, logra puntuaciones comparables a GLM-5.2 usando 3–4× menos cómputo de inferencia. Estos resultados se traducen en más inteligencia por token, ofreciendo capacidades de modelo sólidas a menor costo, haciendo de Beam un modelo de trabajo potente para cargas de trabajo empresariales de codificación y agénticas.

Nous présentons Beam, le premier modèle open-weight de Reflection. Beam est un modèle de mélange d'experts épars avec 501 milliards de paramètres totaux et 23 milliards actifs, conçu pour les charges de travail de codage, de raisonnement et agentiques. Les capacités de Beam proviennent d'investissements majeurs dans le pré-entraînement et l'apprentissage par renforcement (RL). Nous avons pré-entraîné le modèle sur 23,8 billions de jetons diversifiés, organisés et de haute qualité provenant du web et de jeux de données propriétaires sous licence, égalant ou surpassant les modèles de base ouverts de taille similaire disponibles. En parallèle, nous avons développé les algorithmes, les environnements d'entraînement et l'infrastructure nécessaires pour soutenir un RL à haute computation à une échelle exceptionnelle.

Notre exécution de RL à haute computation a généré plus de 100 millions de déploiements sur 10,5K GPU NVIDIA GB300 pendant 4 semaines d'entraînement. Ensemble, ces efforts ont produit des performances open-weight compétitives avec une efficacité de calcul d'inférence de pointe. Beam subit actuellement des tests de red team et des évaluations finales. Nous publierons les poids, le rapport technique, la fiche modèle et les artefacts développeur plus tard ce mois-ci.

Beam fait progresser la frontière open-weight occidentale et est compétitif avec des modèles ouverts plus grands comme GLM 5.2 et se rapproche de Qwen 3.8-Max sur les tâches de codage et agentiques. Beam associe capacités de codage et agentiques à un raisonnement très efficace. Sur les benchmarks de raisonnement avancé, il atteint des scores comparables à GLM-5.2 tout en utilisant 3 à 4 fois moins de calcul d'inférence. Ces résultats se traduisent par plus d'intelligence par jeton, offrant des capacités de modèle solides à moindre coût, faisant de Beam un modèle de travail puissant pour les charges de travail de codage et agentiques en entreprise.

हम Beam पेश कर रहे हैं, जो Reflection का पहला ओपन-वेट मॉडल है। Beam एक स्पार्स मिक्सचर-ऑफ-एक्सपर्ट्स मॉडल है जिसमें 501 बिलियन कुल पैरामीटर और 23 बिलियन सक्रिय हैं, जो कोडिंग, तर्क और एजेंटिक कार्यभार के लिए बनाया गया है। Beam की क्षमताएं प्रीट्रेनिंग और रीइन्फोर्समेंट लर्निंग (RL) दोनों में बड़े निवेश से आती हैं। हमने मॉडल को वेब और स्वामित्व लाइसेंस प्राप्त डेटासेट से 23.8 ट्रिलियन विविध, क्यूरेटेड, उच्च-गुणवत्ता वाले टोकन पर प्रीट्रेन किया, जो उपलब्ध समान आकार के ओपन बेस मॉडल से मेल खाता या बेहतर है। समानांतर में, हमने उच्च-कंप्यूट RL को असाधारण पैमाने पर बनाए रखने के लिए आवश्यक एल्गोरिदम, प्रशिक्षण वातावरण और बुनियादी ढांचा विकसित किया।

हमारे उच्च-कंप्यूट RL रन ने 10.5K NVIDIA GB300 GPU पर 4 सप्ताह के प्रशिक्षण में 100 मिलियन से अधिक रोलआउट उत्पन्न किए। साथ में, इन प्रयासों ने फ्रंटियर इन्फ्रेंस कंप्यूट दक्षता के साथ प्रतिस्पर्धी ओपन-वेट प्रदर्शन उत्पन्न किया। Beam अंतिम रेड-टीमिंग और मूल्यांकन से गुजर रहा है। हम इस महीने के अंत में वेट, तकनीकी रिपोर्ट, मॉडल कार्ड और डेवलपर आर्टिफैक्ट जारी करेंगे।

Beam पश्चिमी ओपन-वेट फ्रंटियर को आगे बढ़ाता है और कोडिंग और एजेंटिक कार्यों में GLM 5.2 जैसे बड़े ओपन मॉडल के साथ प्रतिस्पर्धी है और Qwen 3.8-Max के करीब पहुंच रहा है। Beam कोडिंग और एजेंटिक क्षमताओं को अत्यधिक कुशल तर्क के साथ जोड़ता है। उन्नत तर्क बेंचमार्क पर, यह 3–4× कम इन्फ्रेंस कंप्यूट का उपयोग करके GLM-5.2 के बराबर स्कोर प्राप्त करता है। ये परिणाम प्रति टोकन अधिक बुद्धिमत्ता में अनुवादित होते हैं, कम लागत पर मजबूत मॉडल क्षमताएं प्रदान करते हैं, जिससे Beam उद्यम कोडिंग और एजेंटिक कार्यभार के लिए एक शक्तिशाली वर्कहॉर्स मॉडल बन जाता है।

Kami memperkenalkan Beam, model open-weight pertama dari Reflection. Beam adalah model Mixture-of-Experts yang jarang dengan 501 miliar total parameter dan 23 miliar aktif, dibangun untuk beban kerja coding, penalaran, dan agen. Kemampuan Beam berasal dari investasi besar dalam pra-pelatihan dan pembelajaran penguatan (RL). Kami melatih model pada 23,8 triliun token yang beragam, dikurasi, dan berkualitas tinggi dari web dan dataset berlisensi proprietary, menyamai atau melampaui model dasar terbuka serupa yang tersedia. Secara paralel, kami mengembangkan algoritma, lingkungan pelatihan, dan infrastruktur yang diperlukan untuk mendukung RL komputasi tinggi pada skala luar biasa.

Jalankan RL komputasi tinggi kami menghasilkan lebih dari 100 juta rollout pada 10,5K NVIDIA GB300 GPU selama 4 minggu pelatihan. Bersama-sama, upaya ini menghasilkan kinerja open-weight yang kompetitif dengan efisiensi komputasi inferensi mutakhir. Beam sedang menjalani red-teaming dan evaluasi akhir. Kami akan merilis bobot, laporan teknis, kartu model, dan artefak pengembang akhir bulan ini.

Beam memajukan batas open-weight Barat dan kompetitif dengan model terbuka yang lebih besar seperti GLM 5.2 dan mendekati Qwen 3.8-Max pada tugas coding dan agen. Beam menggabungkan kemampuan coding dan agen dengan penalaran yang sangat efisien. Pada benchmark penalaran lanjutan, ia mencapai skor sebanding dengan GLM-5.2 sambil menggunakan 3–4× lebih sedikit komputasi inferensi. Hasil ini menghasilkan lebih banyak kecerdasan per token, memberikan kemampuan model yang kuat dengan biaya lebih rendah, menjadikan Beam model pekerja keras yang kuat untuk beban kerja coding dan agen perusahaan.

Reflection 初のオープンウェイトモデルである Beam を紹介します。Beam はスパース混合エキスパートモデルで、総パラメータ 5010 億、アクティブ 230 億 を持ち、コーディング、推論、エージェントワークロード向けに構築されています。Beam の能力は、事前学習と強化学習（RL）の両方への大規模な投資によるものです。ウェブとプロプライエタリなライセンスデータセットから 23.8 兆 の多様で厳選された高品質トークンでモデルを事前学習し、利用可能な同規模のオープンベースモデルに匹敵またはそれを上回りました。並行して、高計算 RL を例外的な規模で持続させるために必要なアルゴリズム、トレーニング環境、インフラストラクチャを開発しました。

当社の高計算 RL ランは、10.5K NVIDIA GB300 GPU で 4 週間のトレーニング中に 1 億 以上のロールアウトを生成しました。これらの取り組みにより、フロンティアの推論計算効率を備えた競争力のあるオープンウェイトパフォーマンスが実現しました。Beam は現在、最終的なレッドチーミングと評価を受けています。ウェイト、テクニカルレポート、モデルカード、開発者向けアーティファクトは今月下旬にリリースします。

Beam は西洋のオープンウェイトフロンティアを前進させ、コーディングおよびエージェントタスクにおいて GLM 5.2 などのより大きなオープンモデルと競争力があり、Qwen 3.8-Max に近づいています。Beam はコーディングとエージェント機能を高効率な推論と組み合わせています。高度な推論ベンチマークでは、GLM-5.2 に匹敵するスコアを達成しつつ、推論計算を 3〜4 倍削減します。これらの結果は、トークンあたりのインテリジェンス向上につながり、低コストで強力なモデル機能を提供し、Beam をエンタープライズのコーディングおよびエージェントワークロードのための強力なワークホースモデルにしています。

Estamos apresentando o Beam, o primeiro modelo de peso aberto da Reflection. Beam é um modelo de mistura de especialistas esparsa com 501 bilhões de parâmetros totais e 23 bilhões ativos, construído para cargas de trabalho de codificação, raciocínio e agênticas. As capacidades do Beam vêm de grandes investimentos tanto em pré-treinamento quanto em aprendizado por reforço (RL). Pré-treinamos o modelo em 23,8 trilhões de tokens diversos, curados e de alta qualidade da web e conjuntos de dados proprietários licenciados, igualando ou superando modelos base abertos de tamanho semelhante disponíveis. Em paralelo, desenvolvemos os algoritmos, ambientes de treinamento e infraestrutura necessários para sustentar RL de alta computação em escala excepcional.

Nossa execução de RL de alta computação gerou mais de 100 milhões de rollouts em 10,5K GPUs NVIDIA GB300 durante 4 semanas de treinamento. Juntos, esses esforços produziram desempenho competitivo de peso aberto com eficiência de computação de inferência de fronteira. Beam está passando por red-teaming e avaliações finais. Publicaremos os pesos, relatório técnico, cartão do modelo e artefatos de desenvolvedor no final deste mês.

Beam avança a fronteira de peso aberto ocidental e é competitivo com modelos abertos maiores como GLM 5.2 e se aproximando do Qwen 3.8-Max em tarefas de codificação e agênticas. Beam combina capacidades de codificação e agênticas com raciocínio altamente eficiente. Em benchmarks de raciocínio avançado, alcança pontuações comparáveis ao GLM-5.2 usando 3–4× menos computação de inferência. Esses resultados se traduzem em mais inteligência por token, entregando capacidades de modelo fortes a menor custo, tornando o Beam um modelo de trabalho poderoso para cargas de trabalho empresariais de codificação e agênticas.

Мы представляем Beam — первую модель с открытым весом от Reflection. Beam — это разреженная модель смеси экспертов с 501 миллиардом общих параметров и 23 миллиардами активных, созданная для рабочих нагрузок кодирования, рассуждений и агентных задач. Возможности Beam обусловлены крупными инвестициями как в предобучение, так и в обучение с подкреплением (RL). Мы предобучили модель на 23,8 триллионах разнообразных, отобранных и высококачественных токенов из веба и проприетарных лицензированных наборов данных, соответствуя или превосходя доступные открытые базовые модели аналогичного размера. Параллельно мы разработали алгоритмы, среды обучения и инфраструктуру, необходимые для поддержки высокопроизводительного RL в исключительном масштабе.

Наш высокопроизводительный RL-запуск сгенерировал более 100 миллионов роллаутов на 10,5 тыс. NVIDIA GB300 GPU за 4 недели обучения. Вместе эти усилия обеспечили конкурентоспособную производительность с открытым весом и эффективность вычислений на этапе инференса на уровне передовых моделей. Beam проходит финальные red-teaming и оценки. Мы выпустим веса, технический отчет, карточку модели и артефакты для разработчиков позднее в этом месяце.

Beam продвигает западный рубеж открытых весов и конкурирует с более крупными открытыми моделями, такими как GLM 5.2, и приближается к Qwen 3.8-Max в задачах кодирования и агентных задачах. Beam сочетает возможности кодирования и агентные способности с высокоэффективным рассуждением. На продвинутых бенчмарках рассуждений он достигает результатов, сопоставимых с GLM-5.2, используя в 3–4 раза меньше вычислительных ресурсов на инференс. Эти результаты переводятся в больше интеллекта на токен, обеспечивая мощные возможности модели при более низкой стоимости, что делает Beam мощной рабочей лошадкой для корпоративных задач кодирования и агентных нагрузок.

我们推出 Beam，这是 Reflection 的首个开放权重模型。Beam 是一个稀疏混合专家模型，总参数达 5010 亿，活跃参数 230 亿，专为编码、推理和智能体任务而构建。Beam 的能力源于我们在预训练和强化学习（RL）方面的大量投入。我们在 23.8 万亿 个多样化、精选、高质量的 token 上预训练了该模型，这些 token 来自网络和专有许可数据集，匹配或超越了现有类似规模的开源基础模型。与此同时，我们开发了算法、训练环境和基础设施，以支持超大规模的高计算强化学习。

我们的高计算 RL 运行在 10.5K NVIDIA GB300 GPU 上生成了超过 1 亿 次 rollout，训练时长 4 周。这些努力共同产生了具有竞争力的开放权重性能，并具备前沿的推理计算效率。Beam 正在进行最终的红队测试和评估。我们将在本月晚些时候发布权重、技术报告、模型卡和开发者工件。

Beam 推进了西方开放权重的前沿，在编码和智能体任务上与 GLM 5.2 等更大的开放模型竞争，并接近 Qwen 3.8-Max。Beam 将编码和智能体能力与高效推理相结合。在高级推理基准上，它达到了与 GLM-5.2 相当的成绩，同时推理计算量减少 3–4 倍。这些结果转化为每个 token 更高的智能，以更低成本提供强大的模型能力，使 Beam 成为企业编码和智能体工作负载的强大主力模型。