Reflection AI presentó el lunes (5) el Beam, su primer modelo de pesos abiertos, con 501 mil millones de parámetros totales y 23 mil millones activos. La empresa posiciona el sistema como una alternativa estadounidense a los modelos chinos que ganaron espacio en programación, razonamiento y tareas ejecutadas por agentes de IA.
Beam usa una arquitectura Mixture of Experts, que activa solo una parte de la red durante la inferencia. La estrategia reduce la cantidad de computación necesaria para generar cada respuesta y coloca la eficiencia en el centro de la disputa, en lugar de depender solo del tamaño total del modelo.
Según Reflection, Beam presenta un rendimiento competitivo con GLM 5.2, de la empresa china Z.ai, y se acerca al Qwen 3.8 Max en pruebas orientadas a programación y agentes. Modelos como Kimi K3 y DeepSeek V4.1 Flash aún aparecen por delante en diferentes benchmarks divulgados por la propia empresa.
Los resultados aún deben evaluarse de forma independiente. Beam pasa por las etapas finales de pruebas de seguridad y evaluación antes de la liberación pública de sus pesos.
Reflection apuesta por más rendimiento por unidad de cómputo
La principal apuesta técnica está en la relación entre rendimiento y costo computacional. Reflection afirma que Beam alcanza resultados comparables a GLM 5.2 en pruebas avanzadas de razonamiento usando de tres a cuatro veces menos cómputo de inferencia.
Esa comparación se basa en estimaciones de operaciones computacionales y cantidad de tokens generados, y no en el costo real de operación de los modelos en infraestructura comercial. Aun así, el indicador ataca directamente uno de los puntos que ayudaron a los laboratorios chinos a ampliar su influencia en el mercado de modelos abiertos: entregar capacidad competitiva con menor consumo de recursos.
El desarrollo también involucró una operación de reinforcement learning a gran escala. Reflection utilizó 10,5 mil GPUs Nvidia GB300 durante cuatro semanas y generó más de 100 millones de rollouts, o secuencias completas de interacción usadas para entrenar y evaluar el comportamiento del modelo. El contexto máximo llegó a 256 mil tokens.
Antes de esa etapa, Beam fue preentrenado con 23,8 billones de tokens. La empresa afirma que su infraestructura llegó a sostener cerca de 110 mil rollouts simultáneos durante el entrenamiento.
Reflection pretende liberar los pesos de Beam aún en octubre, bajo licencia Apache 2.0, junto con informe técnico, model card y herramientas para ejecución, evaluación y fine tuning. La publicación permitirá que investigadores y desarrolladores prueben de forma independiente si la ventaja de eficiencia presentada por la empresa se mantiene fuera de sus propios benchmarks.
