Reflection AI presenterade Beam den 5 oktober 2026 som sin första modell med öppna vikter. Den textbaserade modellen är utvecklad för kodning, resonemang och AI-agenter. Företaget beskriver den som ett alternativ till ledande öppna modeller från både Kina och väst. Men jämförelserna av modellens prestanda och effektivitet är än så länge företagets egna uppgifter: vikterna och utvärderingsunderlaget finns inte tillgängliga för oberoende granskning.
3
7
13
Modellens arkitektur och träning
Beam bygger på en så kallad sparse mixture-of-experts-arkitektur. Den har totalt 501 miljarder parametrar, men omkring 23 miljarder används för varje token. Reflection uppger att modellen förtränats på 23,8 biljoner token och därefter genomgått förstärkningsinlärning med stora beräkningsresurser. Enligt företaget genererade den träningskörningen över 100 miljoner så kallade rollouts.
14
Reflection anger ett kontextfönster på upp till en miljon token. Samtidigt beskriver rapportering om den tidiga betaversionens gränssnitt en gräns på 256 000 token. Uppgifterna kan avse olika användningssätt: tillgänglig information visar inte att betagränsen gäller alla versioner eller framtida driftsättningar.
3
7
17
18
Vad benchmarkresultaten visar – och inte visar
Reflection uppger att Beam fick 80,9 procent på SWE-bench Verified. I en annan rapporterad jämförelse fick modellen 80,1 på Terminal-Bench v2.1, jämfört med 81,0 för GLM-5.2, 88,3 för Kimi K3 och 90,6 för DeepSeek V4.1 Flash. Resultaten antyder att Beam kan vara konkurrenskraftig på vissa uppgifter, men de visar inte att modellen generellt slår ledande öppna modeller från Kina eller väst.
12
20
Företaget säger också att Beam når en resonemangsnivå i klass med GLM-5.2 på utvalda benchmarktester. Reflection uppskattar att Beam kräver ungefär tre till fyra gånger mindre beräkningskraft vid generering än GLM-5.2, och mer än fyra gånger mindre än ledande öppna västerländska modeller i företagets jämförelser. Det är uppskattningar från bolaget – inte oberoende mätningar som visar att alla användare får motsvarande besparingar i driftskostnad eller svarstid.
13
16
Eftersom vikterna ännu inte har släppts går det inte för oberoende testare att upprepa resultaten. Skillnader i testupplägg och driftförhållanden kan påverka jämförelserna. De redovisade siffrorna säger därför inte i sig hur Beam fungerar på andra uppgifter eller i andra miljöer.
7
13
När kommer modellen – och hur får man åtkomst?
Reflection planerar att släppa Beam-vikterna under Apache 2.0 senare i oktober 2026, men något exakt datum anges inte i källorna. Den som vill prova modellen innan dess kan ansöka om tidig åtkomst via en väntelista. Rapportering beskriver även planer på kompletterande material, bland annat en teknisk rapport och ett modellkort. Innan sådant material publiceras är det oklart exakt vad som kommer att ingå i släppet.
2
3
21
Öppna vikter kan göra det möjligt för utvecklare att köra och anpassa modellen själva. Det är dock inte samma sak som att ett färdigt system redan är verifierat för en viss organisation. Beam riktar sig till utvecklare, företag och offentliga aktörer, men tillgänglig rapportering visar inte att modellen har tagits i bruk av någon särskild myndighet eller anpassats med en organisations privata data.
1
5
31
En modell lanserad tillsammans med stora infrastruktursatsningar
Beam är en del av Reflection AI:s bredare satsning på AI-infrastruktur. Rapportering beskriver ett avtal på 6,3 miljarder dollar med SpaceX, kopplat till Nvidia GB300-system, samt ett separat beräkningsavtal med Nebius. Avtalen visar omfattningen på företagets ambitioner, men verifierar inte i sig modellens prestanda eller de uppskattade besparingarna vid användning.
4
8
För tillfället är det klokt att skilja mellan Beam-specifikationerna och företagets ännu obekräftade jämförelser. Arkitekturen, träningsskalan och de tänkta användningsområdena har presenterats. Hur väl modellen står sig mot konkurrenterna – och hur effektiv den faktiskt är i praktiken – återstår att testa när vikterna och mer fullständiga utvärderingar blir tillgängliga.
7
13
14