Reflection AI abre Beam a acceso anticipado; las versiones de pesos abiertos llegarán más adelante en octubre
- Reflection AI abrió el acceso anticipado a Beam, un modelo de pesos abiertos con 501 mil millones de parámetros, el 5 de octubre.
- Los pesos, un informe técnico y la ficha del modelo se publicarán más adelante en octubre bajo una licencia Apache 2.0.
- Reflection afirma que Beam iguala a GLM-5.2 de Z.ai en pruebas de razonamiento, con un 3–4× menos de potencia de inferencia.
Reflection AI lanzó Beam, su primer modelo de pesos abiertos, en acceso anticipado el 5 de octubre. El modelo está finalizando las pruebas de seguridad (red-teaming); los pesos, el informe técnico y la ficha del modelo se publicarán más adelante este mes.
Según Reflection, los pesos se distribuyen bajo una licencia Apache 2.0, junto con toda la pila tecnológica para ejecutar, evaluar y ajustar finamente Beam.
La paridad con GLM-5.2 se logra con 3–4× menos potencia de inferencia
Beam es un modelo de mezcla dispersa de expertos (sparse mixture-of-experts) con 501 mil millones de parámetros y 23 mil millones de parámetros activos por token. Fue preentrenado con 23,8 billones de tokens, y su longitud de contexto alcanzó 1 millón de tokens durante el entrenamiento intermedio.
Reflection afirma que Beam iguala a GLM-5.2 de Z.ai en pruebas de razonamiento avanzado, mientras utiliza "3–4× menos potencia de inferencia". Las afirmaciones no han sido verificadas de forma independiente.
GLM-5.2 cuenta con aproximadamente 744 mil millones de parámetros y 40 mil millones activos. Reflection sitúa a Kimi K3 por delante en capacidad bruta y presenta la ventaja de Beam como su eficiencia en inferencia.
Frente a Inkling de Thinking Machines Lab, lanzado en julio, las tablas de Reflection muestran a Beam por delante en cuatro pruebas de programación, con puntuaciones para ambos modelos.
En SWE Bench Pro v2-Hard, Beam obtuvo una puntuación de 77,2 frente a los 56,9 de Inkling. Inkling es multimodal, mientras que Beam es solo de texto.
10,500 GPUs Nvidia GB300 funcionaron durante cuatro semanas de RL
La ejecución de RL de Reflection utilizó 10.500 GPUs Nvidia GB300 durante cuatro semanas, generó más de 100 millones de rollouts y empleó aproximadamente 1.300 millones de sandboxes para el entrenamiento y la evaluación.
Según la empresa, se trata de una de las ejecuciones de RL más grandes realizadas por cualquier laboratorio abierto. Según el recuento de Reflection, Inkling se entrenó con 30 millones de rollouts.
Reflection fue fundada en 2024 por Misha Laskin e Ioannis Antonoglou, ambos ex investigadores de Google DeepMind. Ha recaudado aproximadamente $4.7 mil millones de inversores, entre ellos Nvidia, Sequoia Capital y Lightspeed Venture Partners, con una valoración pre-money más reciente de $25 mil millones.
Hace un año, recaudó 2.000 millones de dólares con una valoración de 8.000 millones, según informó Cryptopolitan. Su acuerdo con SpaceX asciende hasta 6.300 millones de dólares, por 150 millones al mes por capacidad Nvidia GB300 en Colossus 2 cerca de Memphis, según informó Cryptopolitan en junio.
Beam también impulsa la propuesta de "fábrica de IA" de Reflection, que permite a las instituciones entrenar sus modelos con sus propios datos y ejecutarlos en su propia infraestructura de cómputo. Shinsegae Group está probando una edición soberana en Corea del Sur.
«Son como cohetes», ha dicho Laskin sobre la trayectoria de sus modelos hacia la frontera tecnológica. «Construir un cohete grande lleva tiempo.»
Si estás leyendo esto, ya vas por delante. Mantente así con nuestro boletín.
Preguntas frecuentes
¿Qué es Beam y quién lo creó?
Beam es el primer modelo de peso abierto de Reflection AI, un sistema de mezcla de expertos de 501 mil millones de parámetros.
¿Cuándo se publicarán los pesos de Beam?
A finales de octubre de 2026, bajo una licencia Apache 2.0, después de las pruebas finales de seguridad (red-teaming).
¿Cómo se compara Beam con los modelos rivales?
Reflection afirma que Beam iguala a GLM-5.2 de Z.ai en pruebas de razonamiento, mientras utiliza entre 3 y 4 veces menos potencia de inferencia.
Randa Moses
Randa Moses es editora y reportera en Cryptopolitan, donde cubre tecnología, IA, robótica, criptomonedas, estafas y ciberataques. Ha trabajado en el espacio de las criptomonedas desde 2017. Ocupó cargos en Forward Protocol, AmaZix y Cryptosomniac. Randa posee un grado en Ingeniería Eléctrica y Electrónica de la Universidad de Bradford.
