Le 5 octobre 2026, Reflection AI a annoncé Beam, son premier modèle à poids ouverts, conçu pour la programmation, le raisonnement et les tâches agentiques. L’entreprise prévoit de publier ses poids et ses documents techniques plus tard en octobre. Cette annonce précise le projet évoqué dans notre article sur la préparation du premier modèle à poids ouverts de Reflection AI.
Reflection AI annonce Beam
Un modèle à poids ouverts est conçu pour que ses paramètres puissent être publiés, téléchargés et adaptés. Reflection AI présente Beam comme son premier modèle de ce type. À la date de l’annonce, l’entreprise indiquait que le modèle était en phase finale d’évaluation de sécurité et de tests, et qu’un groupe restreint pouvait demander un accès anticipé.
La société prévoit de publier les poids sous licence Apache 2.0, ainsi qu’un rapport technique, une fiche modèle et des outils pour développeurs, plus tard en octobre 2026. Elle prévoit aussi d’y présenter les résultats de ses évaluations de sécurité.
Les caractéristiques annoncées de Beam
Reflection AI décrit Beam comme un modèle de langage textuel fondé sur un mélange d’experts (MoE). Cette architecture mobilise certains experts du modèle pour une requête donnée, plutôt que l’ensemble des paramètres à chaque inférence. Beam compterait 501 milliards de paramètres au total, dont 23 milliards actifs par inférence.
L’entreprise indique avoir préentraîné le modèle sur 23,8 billions de tokens, issus du Web, de sources publiques et de jeux de données sous licence. Elle lui attribue une longueur de contexte effective d’un million de tokens après le midtraining, une étape intermédiaire de l’entraînement. Beam dispose aussi d’un réglage de l’effort de raisonnement : une valeur plus faible favorise des réponses plus courtes, tandis qu’une valeur élevée permet un raisonnement plus long.
Reflection AI décrit également son entraînement par renforcement, une méthode qui améliore un modèle à partir de retours sur ses réponses. L’entreprise indique avoir généré plus de 100 millions de trajectoires d’entraînement avec 10 500 GPU NVIDIA GB300 pendant quatre semaines. Cette campagne utilisait des séquences pouvant atteindre 256 000 tokens. Elle est distincte de la longueur de contexte effective d’un million de tokens annoncée pour le modèle.
Les résultats publiés et la comparaison de calcul
Reflection AI attribue à Beam un score de 80,9 à SWE-Bench Verified et de 80,1 à Terminal-Bench 2.1. Son tableau de résultats donne aussi 36,2 à Humanity’s Last Exam sans outils. Ces scores sont ceux publiés par l’entreprise.
Reflection AI affirme que Beam obtient des résultats comparables à GLM-5.2 sur des évaluations avancées de raisonnement avec 3 à 4 fois moins de calcul d’inférence. Son estimation porte sur le calcul des passes avant de génération et ne comprend pas le préremplissage du prompt, certaines opérations d’attention qui dépendent du contexte ni les coûts de service. Elle ne mesure donc pas le coût complet d’un service en production.
Reflection AI situe aussi Beam comme proche de Qwen 3.8-Max en programmation et dans les tâches agentiques, tout en indiquant que Kimi K3 reste devant en capacité brute. Ces appréciations font partie du positionnement présenté par l’entreprise pour Beam.
