Reflection AI lanza Beam, un modelo de pesos abiertos con 501.000 millones de parámetros

Reflection AI anunció Beam el 5 de octubre de 2026. Es un modelo de lenguaje de pesos abiertos con 501.000 millones de parámetros, de los cuales 23.000 millones están activos para cada token. Los pesos, una ficha del modelo y un informe técnico saldrán "más adelante este mes" bajo la licencia Apache 2.0, según el anuncio de Reflection. La empresa afirma que Beam iguala a GLM-5.2 en razonamiento con entre tres y cuatro veces menos cómputo de inferencia. Si eso se confirma, los desarrolladores tendrán un gran modelo de programación sin términos de licencia propios.

Qué publicó Reflection

Beam es un modelo de mezcla de expertos, o MoE. Un modelo MoE divide sus parámetros en muchas redes "expertas" más pequeñas y usa solo unas pocas para cada token. Por eso Beam almacena 501.000 millones de parámetros pero calcula con 23.000 millones a la vez.

Reflection lo entrenó con 23,8 billones de tokens de datos web, públicos y con licencia. La ventana de contexto empezó en 256.000 tokens y se amplió a 1 millón en una etapa posterior del entrenamiento. La ventana de contexto es la cantidad de texto que el modelo puede leer de una vez.

Hoy solo existe acceso anticipado, a través de platform.reflection.ai. Los pesos completos llegarán más adelante en octubre bajo Apache 2.0, una licencia permisiva que Crypto Briefing califica como "una de las licencias de código abierto más permisivas".

Las cifras de los benchmarks

Reflection publicó puntuaciones en pruebas de programación, razonamiento y agentes. Todas son cifras de la propia empresa. Crypto Briefing señala que las pruebas independientes tendrán que esperar hasta que los pesos sean públicos.

Benchmark	Qué mide	Beam
SWE-Bench Verified	Resolver issues reales de GitHub	80,9
SWE-Bench Pro v1	Tareas de software más difíciles	65,5
Terminal Bench v2.1	Tareas en la línea de comandos	80,1
MCP Atlas	Llamadas a herramientas mediante MCP	78,7
BrowseComp (con gestión de contexto)	Investigación en la web	77,4
GPQA Diamond	Preguntas de ciencias de nivel de posgrado	90,5
AIME 2026	Matemáticas de competición	97,8
Humanity's Last Exam (sin herramientas)	Preguntas de expertos muy difíciles	36,2

Las comparaciones dependen de quién informe. Reflection dice que Beam obtiene puntuaciones comparables a las de GLM-5.2 con entre tres y cuatro veces menos cómputo de inferencia. SiliconANGLE escribe que Beam se acerca a Qwen 3.8-Max de Alibaba y queda por detrás de Claude Fable 5.1 de Anthropic. Crypto Briefing va más allá y dice que Beam supera tanto a GLM-5.2 como a Qwen 3.8-Max. Los informes se contradicen sobre Qwen, así que toma esa afirmación como no resuelta.

Cómo lo entrenó Reflection

El entrenamiento fue corto y a gran escala. Reflection dice que el preentrenamiento usó 6144 GPU Nvidia GB300 durante menos de cuatro semanas, con un goodput del 92,3 %. El goodput es la proporción del tiempo que el clúster dedicó a entrenamiento útil en lugar de a recuperarse de fallos.

El aprendizaje por refuerzo, en el que el modelo mejora al intentar tareas y recibir una puntuación, usó 10.500 GPU GB300 durante cuatro semanas. SiliconANGLE da la cifra de 10.000. Reflection dice que esa etapa ejecutó 1300 millones de sandboxes y más de 100 millones de intentos de práctica. Un sandbox es un entorno aislado donde el modelo puede ejecutar código de forma segura.

Reflection también informa de un uso parejo de sus expertos. El experto más cargado soportó 1,04 veces la carga media, lo que significa que el trabajo se repartió de forma casi uniforme.

Quién está detrás de Beam

Los exinvestigadores de Google DeepMind Misha Laskin e Ioannis Antonoglou fundaron Reflection en marzo de 2024, según SiliconANGLE y Crypto Briefing. Crypto Briefing informa que la empresa ha recaudado más de 4000 millones de dólares con una valoración previa a la inversión de 25.000 millones de dólares. Entre sus inversores figuran Nvidia, Sequoia y Citigroup.

Qué significa esto para los desarrolladores

Todavía no hay nada que descargar, así que planifica en lugar de migrar. Únete al programa de acceso anticipado si quieres probar Beam con tus propias tareas de programación antes de que lleguen los pesos.

Prevé hardware grande. El diseño MoE reduce el cómputo por token, no la memoria. Los 501.000 millones de parámetros tienen que estar en memoria de todos modos, lo que supone unos 500 GB a un byte por parámetro. Cuando este sitio cubrió los pesos abiertos de GLM-5.3 en agosto, ese modelo necesitaba al menos ocho GPU de gama alta. Cuenta con que Beam también necesite un servidor con varias GPU, o un proveedor alojado.

La licencia es la ventaja más clara. Apache 2.0 permite el uso comercial sin los términos propios que traía GLM-5.3. Pide a tu equipo legal que revise el archivo de licencia final cuando salgan los pesos, ya que hoy solo existe el anuncio.

Por último, vuelve a ejecutar los benchmarks tú mismo. Reflection comparó Beam con GLM-5.2, aunque Z.ai ya lanzó GLM-5.3. Prueba ambos en tus propios repositorios antes de cambiar, y presta atención al informe técnico que saldrá más adelante este mes.