Un modello di nuova generazione
Il 5 ottobre 2026 Reflection AI ha annunciato Beam, il suo primo modello open‑weight. Con 501 miliardi di parametri totali e 23 miliardi di esperti attivi per token, Beam è stato addestrato su 23,8 trilioni di token e dispone di una finestra di contesto di un milione di token. La startup di Brooklyn, fondata da ex ricercatori di Google DeepMind e finanziata da NVIDIA, si propone come alternativa occidentale ai modelli cinesi che dominano il segmento open.
Architettura e processo di addestramento
Beam è un modello mixture‑of‑experts focalizzato esclusivamente sul testo, ottimizzato per compiti di coding, ragionamento e agenti autonomi. Il pre‑training è stato completato in meno di quattro settimane su 6 144 GPU NVIDIA GB300. Successivamente, la fase di reinforcement learning ha impiegato 10 500 GPU GB300 per altre quattro settimane, generando oltre 100 milioni di rollout. Reflection dichiara che si tratta del più grande training run di reinforcement learning mai realizzato da un laboratorio open‑source.
Specifiche tecniche
- Parametri totali: 501 miliardi
- Esperti attivi per token: 23 miliardi
- Token di addestramento: 23,8 trilioni
- Finestra di contesto: 1 milione di token
- GPU utilizzate per pre‑training: 6 144 NVIDIA GB300
- GPU per reinforcement learning: 10 500 NVIDIA GB300
Rilascio e licenza
I pesi di Beam saranno pubblicati con licenza Apache 2.0 entro la fine di ottobre 2026, preceduti da una scheda tecnica dettagliata e da un model card. Per il momento l’accesso è riservato a un gruppo selezionato di utenti tramite lista d’attesa, ma la strategia di Reflection punta a una diffusione ampia una volta completata la fase di verifica interna.
Prestazioni sui benchmark
Secondo le dichiarazioni di Reflection, Beam eguaglia il modello cinese GLM‑5.2 di Z.ai sul ragionamento avanzato utilizzando da tre a quattro volte meno potenza di calcolo in inferenza. Tuttavia, la stima è definita “approssimativa” e non è stata ancora misurata da terze parti. Su SWE‑bench Beam ottiene un punteggio di 80,9 contro 77,6 di Inkling, il modello occidentale di Thinking Machines Lab. Su Terminal Bench v2.1 segna 80,1, mentre il Kimi K3 di Moonshot AI raggiunge 88,3.
Confronti con altri modelli open‑source
La tabella fornita da Reflection mostra Beam in ritardo su diversi benchmark di coding rispetto a modelli come DeepSeek V4.1 Flash e Kimi K3. Nessuna valutazione indipendente è ancora disponibile, il che rende difficile quantificare con precisione il vantaggio competitivo di Beam. La mancanza di verifiche esterne è una delle principali critiche sollevate dalla community di ricerca.
Strategia commerciale e obiettivi geopolitici
Reflection AI ha raccolto 2 miliardi di dollari con l’obiettivo esplicito di creare una risposta americana ai modelli open cinesi, che hanno guadagnato terreno da quando DeepSeek è entrato sul mercato. La proposta “AI factory” di Reflection punta a fornire sistemi personalizzati, costruiti sui dati dei clienti e controllati localmente, eliminando la dipendenza da API proprietarie di OpenAI o Anthropic. L’efficienza computazionale è il vero argomento di vendita: più intelligenza per token, non semplicemente più parametri.
Prospettive di sicurezza e futuro
Due enti governativi di sicurezza stanno già valutando Beam, e Reflection prevede di pubblicare i propri test di sicurezza interna insieme al rilascio dei pesi. Se le affermazioni sull’efficienza reggeranno a una verifica esterna, Beam potrebbe diventare il primo modello occidentale open a competere realmente con i benchmark cinesi su una metrica cruciale per le imprese: il costo reale dell’inferenza. Il vero banco di prova, però, inizierà quando i pesi saranno pubblici e i laboratori indipendenti potranno replicare le stesse valutazioni.