Reflection AI, американський стартап, який підтримується Nvidia, 5 жовтня представив свою першу відкриту модель, рідкісну систему експертів під назвою Beam, яку компанія позиціонує як найсильніший західний виклик на межі відкритої ваги, де зараз домінують китайські лабораторії. Оголошення, опубліковане у власному блозі Reflection і швидко підхоплене Reuters, TechCrunch, Fortune і Semafor, приходить з родзинкою: модель ще не доступна для завантаження.

Beam проходить те, що компанія описує як остаточне ред-тиминг і оцінювання. Ранній доступ відкритий через процес реєстрації, і Reflection каже, що опублікує ваги, технічний звіт, картку моделі та артефакти розробника пізніше цього місяця. Коли це станеться, Beam стане одним із найбільших відкритих випусків, коли-небудь опублікованих американською лабораторією, і найчіткішим тестом того, чи зможе американська компанія відповідати темпу випуску та відкритості, які зробили китайські моделі вибором за замовчуванням для більшої частини спільноти відкритих програм. Для безперервного висвітлення перегонів у відкритій вазі та всього іншого, що рухається на полі, додайте закладку на нашу домашню сторінку новин AI.

Числа за променем

Beam — це розріджена модель експертів із 501 мільярдом параметрів, з яких приблизно 23 мільярди є активними на токен. Reflection каже, що попередньо навчив модель на 23,8 трильйонах токенів, взятих з Інтернету та власних ліцензованих наборів даних, стверджуючи, що базова модель відповідає або перевершує відкриті базові моделі аналогічного розміру.

Більш чітке твердження стосується навчання з підкріпленням. Reflection розробила алгоритми, навчальні середовища та інфраструктуру для підтримки високообчислювальної RL у масштабі, і компанія повідомляє, що її запуск RL створив понад 100 мільйонів розгортань на 10 500 графічних процесорах NVIDIA GB300 протягом чотирьох тижнів навчання. Це надзвичайно великі інвестиції в RL для відкритого випуску, і Reflection вважає це за конкурентоспроможну продуктивність Beam з тим, що він називає ефективністю обчислень на межі висновків.

Порівняльні показники: конкурентоспроможний, ще не провідний

Опублікована порівняльна таблиця Reflection впевнено ставить Beam у групу легких моделей, поступаючись найбільшим китайським моделям, але випереджаючи або вирівнюючись із кількома визнаними іменами.

На SWE-Bench Pro v2-Hard Бім набирає 77,2, поступаючись GLM 5.3 з 88,2 і Kimi K3 з 88,2 у тому ж рядку, але значно випереджаючи Інклінга з 56,9. На SWE-Bench Pro v1 Beam набирає 65,5, випереджаючи Inkling (54,3), Nemotron 3 Ultra (46,4) і GLM 5.2 (62,1), тоді як Qwen 3.8-Max має 67,7. У тесті агентського кодування DeepSWE v1.1 Beam показує 44,4, що відповідає 44,0 у GLM 5.2 і поступається GLM 5.3 (61,0), Qwen 3.8-Max (51,0) і DeepSeek V4.1 Flash (74,2).

Власні кадри компанії відверті щодо того, де сидить Beam. У дописі в блозі Reflection пише, що Beam «просуває західні межі відкритої ваги» і є «конкурентоспроможною з більшими відкритими моделями, такими як GLM 5.2, і наближається до Qwen 3.8-Max щодо кодування та агентських завдань». Він також визнає, що передові відкриті моделі, такі як Kimi K3, «залишаються попереду щодо сирих можливостей».

Два застереження заслуговують на увагу. По-перше, кожне число тут самостійно повідомляє Reflection перед випуском ваги, і незалежна перевірка стане можливою лише після того, як технічний звіт і контрольні точки стануть публічними. По-друге, кілька клітинок у власній таблиці компанії позначено як неповідомлені, що унеможливлює повне порівняння яблук до яблук.

Аргумент ефективності

Те, що Reflection вважає справжньою перевагою Beam, полягає не в сирій позиції в таблиці лідерів, а в ціні за часом висновку. Оскільки лише 23 мільярди з 501 мільярда параметрів активуються на один токен, компанія стверджує, що Beam може забезпечити майже передову продуктивність агентів і кодування за частку обчислювальних витрат більших щільних моделей. Таке позиціонування відображає стратегію, яка зробила китайські відкриті сім’ї такими популярними серед стартапів: достатньо сильні можливості за цінами, які роблять постійних агентів економічно життєздатними.

Якщо твердження про ефективність витримає незалежний бенчмаркінг, це може мати більше значення, ніж дельта таблиці лідерів. Команди, які керують тисячами агентів паралельного кодування, більше дбають про вартість виконаного завдання, ніж про однозначні контрольні точки.

Геополітична підводна течія

Висвітлення запуску було вражаючим геополітичним для випуску моделі з відкритим кодом. Reuters назвав Beam «першою моделлю AI» від Reflection, яка «взяла на себе китайські відкриті моделі». Fortune запитав, чи може Beam бути «найкращим шансом Америки конкурувати з Китаєм», а Семафор назвав компанію «західною відповіддю з відкритим кодом китайським лабораторіям».

Цей кадр відображає стан екосистеми відкритої ваги наприкінці 2026 року: найпотужніші моделі, які можна завантажувати, надходять переважно з китайських лабораторій, включаючи сімейство GLM від Z.ai, лінійку Kimi від Moonshot, Qwen від Alibaba та DeepSeek. Американські лабораторії здебільшого залишили закритими свої найкращі ваги, роблячи ставку на дохід від API. Reflection робить ставку на протилежне: відкрита модель західного кордону може залучити екосистему розробників, а підтримка Nvidia дає їй обчислювальну смугу, щоб не відставати.

Що станеться далі

Випуск ваги пізніше цього місяця дасть відповіді на важливі питання: як працює Beam поза межами власних оцінок Reflection, яка ліцензія супроводжує ваги та чи зберігається ефективність під незалежним навантаженням. До того часу Beam залишається багатообіцяючою еталонною таблицею, формою реєстрації та найбільш значущою обіцянкою відкритої ваги, яку американська лабораторія дала цього року.

Для розробників, які вирішують, чи стандартизувати GLM, Kimi, Qwen чи чекати Beam, практична порада полягає в тому, щоб відкласти остаточні рішення до отримання технічного звіту та оцінок третьої сторони. У змаганнях у відкритій вазі з’явився новий американський учасник, і вперше за деякий час він стартує не з хвилі.

Будьте попереду ШІ

Межа відкритої ваги рухається щотижня, і лабораторії випускають швидше, ніж хтось може відстежити. Читайте більше новин штучного інтелекту на AI Buzz Wire, щоб дізнатися про запуски моделей, аналізи тестів і бізнес-історії, що стоять за ними.

Ознайомтеся з останніми розробками ШІ тут.