Reflection AI lança Beam, um modelo de pesos abertos com 501 bilhões de parâmetros

A Reflection AI anunciou o Beam em 5 de outubro de 2026. É um modelo de linguagem de pesos abertos com 501 bilhões de parâmetros, dos quais 23 bilhões ficam ativos para cada token. Os pesos, um model card e um relatório técnico sairão "ainda este mês" sob a licença Apache 2.0, segundo o anúncio da Reflection. A empresa afirma que o Beam se iguala ao GLM-5.2 em raciocínio usando de três a quatro vezes menos computação de inferência. Se isso se confirmar, os desenvolvedores ganham um grande modelo de programação sem termos de licença personalizados.

O que a Reflection lançou

O Beam é um modelo de mistura de especialistas, ou MoE. Um modelo MoE divide seus parâmetros em muitas redes "especialistas" menores e usa só algumas delas para cada token. É por isso que o Beam armazena 501 bilhões de parâmetros, mas calcula com 23 bilhões de cada vez.

A Reflection treinou o modelo com 23,8 trilhões de tokens de dados da web, públicos e licenciados. A janela de contexto começou em 256 mil tokens e foi ampliada para 1 milhão em uma etapa posterior do treinamento. A janela de contexto é a quantidade de texto que o modelo consegue ler de uma vez.

Hoje só existe acesso antecipado, pela platform.reflection.ai. Os pesos completos chegam ainda em outubro sob Apache 2.0, uma licença permissiva que a Crypto Briefing chama de "uma das licenças de código aberto mais permissivas".

Os números dos benchmarks

A Reflection publicou pontuações em testes de programação, raciocínio e agentes. Todos esses números são da própria empresa. A Crypto Briefing observa que os testes independentes terão de esperar até que os pesos sejam públicos.

Benchmark	O que avalia	Beam
SWE-Bench Verified	Corrigir issues reais do GitHub	80,9
SWE-Bench Pro v1	Tarefas de software mais difíceis	65,5
Terminal Bench v2.1	Tarefas de linha de comando	80,1
MCP Atlas	Chamadas de ferramentas via MCP	78,7
BrowseComp (com gerenciamento de contexto)	Pesquisa na web	77,4
GPQA Diamond	Questões de ciências em nível de pós-graduação	90,5
AIME 2026	Matemática de competição	97,8
Humanity's Last Exam (sem ferramentas)	Questões de especialistas muito difíceis	36,2

As comparações dependem de quem está relatando. A Reflection diz que o Beam tem pontuações comparáveis às do GLM-5.2 com de três a quatro vezes menos computação de inferência. O SiliconANGLE escreve que o Beam se aproxima do Qwen 3.8-Max, da Alibaba, e fica atrás do Claude Fable 5.1, da Anthropic. A Crypto Briefing vai além e diz que o Beam supera tanto o GLM-5.2 quanto o Qwen 3.8-Max. Os relatos divergem sobre o Qwen, então trate essa afirmação como não resolvida.

Como a Reflection treinou o modelo

O treinamento foi curto e grande. A Reflection diz que o pré-treinamento usou 6.144 GPUs Nvidia GB300 por menos de quatro semanas, com goodput de 92,3%. Goodput é a parcela do tempo que o cluster passou em treinamento útil, em vez de se recuperar de falhas.

O aprendizado por reforço, em que o modelo melhora ao tentar tarefas e receber uma pontuação, usou 10.500 GPUs GB300 por quatro semanas. O SiliconANGLE dá o número como 10.000. A Reflection diz que a etapa rodou 1,3 bilhão de sandboxes e mais de 100 milhões de tentativas de prática. Um sandbox é um ambiente isolado onde o modelo pode executar código com segurança.

A Reflection também relata uso equilibrado de seus especialistas. O especialista mais carregado recebeu 1,04 vez a carga média, o que significa que o trabalho foi distribuído de forma quase uniforme.

Quem está por trás do Beam

Os ex-pesquisadores do Google DeepMind Misha Laskin e Ioannis Antonoglou fundaram a Reflection em março de 2024, segundo o SiliconANGLE e a Crypto Briefing. A Crypto Briefing informa que a empresa levantou mais de US$ 4 bilhões com uma avaliação pré-investimento de US$ 25 bilhões. Entre seus investidores estão Nvidia, Sequoia e Citigroup.

O que isso significa para desenvolvedores

Ainda não há nada para baixar, então planeje em vez de migrar. Entre no programa de acesso antecipado se quiser testar o Beam nas suas próprias tarefas de programação antes da chegada dos pesos.

Reserve orçamento para hardware grande. O design MoE reduz a computação por token, não a memória. Todos os 501 bilhões de parâmetros ainda precisam ficar na memória, o que dá cerca de 500 GB a um byte por parâmetro. Quando este site cobriu os pesos abertos do GLM-5.3 em agosto, aquele modelo exigia pelo menos oito GPUs de ponta. Espere que o Beam também precise de um servidor com várias GPUs, ou de um provedor hospedado.

A licença é a vantagem mais clara. A Apache 2.0 permite uso comercial sem os termos personalizados que vieram com o GLM-5.3. Peça ao jurídico para conferir o arquivo de licença final quando os pesos saírem, já que hoje só existe o anúncio.

Por fim, rode os benchmarks você mesmo. A Reflection comparou o Beam com o GLM-5.2, embora a Z.ai já tenha lançado o GLM-5.3. Teste os dois nos seus próprios repositórios antes de trocar, e fique de olho no relatório técnico ainda este mês.