Reflection AI ouvre Beam à un accès anticipé, les poids ouverts étant prévus plus tard en octobre
- Reflection AI a ouvert l'accès anticipé à Beam, un modèle à poids ouverts de 501 milliards de paramètres, le 5 octobre.
- Les poids, un rapport technique et une fiche modèle suivront plus tard en octobre sous licence Apache 2.0.
- Reflection indique que Beam atteint les performances de GLM-5.2 de Z.ai sur les tests de raisonnement, avec 3 à 4 fois moins de calculs d'inférence.
Reflection AI a lancé Beam, son premier modèle à poids ouverts, en accès anticipé le 5 octobre. Le modèle termine ses tests de sécurité (red-teaming), et les poids, le rapport technique ainsi que la fiche modèle seront publiés plus ce mois-ci.
Selon Reflection, les poids sont disponibles sous licence Apache 2.0, accompagnés de la pile complète pour exécuter, évaluer et affiner Beam.
Parité GLM-5.2 avec 3–4× moins de calculs d'inférence
Beam est un modèle sparse mixture-of-experts comptant 501 milliards de paramètres et 23 milliards de paramètres actifs par token. Il a été pré-entraîné sur 23,8 billions de tokens, et sa longueur de contexte a atteint 1 million de tokens au milieu de l'entraînement.
Selon Reflection, Beam égale GLM-5.2 de Z.ai sur les tests de raisonnement avancés tout en utilisant « 3 à 4 fois moins de puissance d’inférence ». Ces affirmations n’ont pas été vérifiées de manière indépendante.
GLM-5.2 compte environ 744 milliards de paramètres, dont 40 milliards actifs. Reflection place Kimi K3 en tête pour la capacité brute et met en avant l’avantage de Beam en matière d’efficacité de l’inférence.
Face à Inkling de Thinking Machines Lab, publié en juillet, les tableaux de Reflection montrent que Beam devance Inkling sur quatre benchmarks de codage, avec des scores pour les deux modèles.
Sur SWE Bench Pro v2-Hard, Beam a obtenu 77,2 contre 56,9 pour Inkling. Inkling est multimodal, tandis que Beam est uniquement textuel.
10,500 Des GPU Nvidia GB300 ont fonctionné pendant quatre semaines de RL
L’exécution RL de Reflection a utilisé 10 500 GPU Nvidia GB300 pendant quatre semaines, produisant plus de 100 millions de rollouts et exploitant environ 1,3 milliard de sandboxes pour l’entraînement et l’évaluation.
Il s’agit d’une des exécutions RL les plus importantes réalisées par un laboratoire open source, selon l’entreprise. Selon le décompte de Reflection, Inkling a été entraîné sur 30 millions de rollouts.
Reflection a été fondée en 2024 par Misha Laskin et Ioannis Antonoglou, tous deux anciens chercheurs chez Google DeepMind. La société a levé environ 4,7 milliards de dollars auprès d'investisseurs, dont Nvidia, Sequoia Capital et Lightspeed Venture Partners, lors d'une récente évaluation pré-money de 25 milliards de dollars.
Il y a un an, il avait levé 2 milliards de dollars à une valorisation de 8 milliards de dollars, selon Cryptopolitan. Son accord avec SpaceX s'élève à 6,3 milliards de dollars, soit 150 millions de dollars par mois pour la capacité Nvidia GB300 au Colossus 2 près de Memphis, comme rapporté en juin par Cryptopolitan.
Beam alimente également la proposition de « usine d’IA » de Reflection, qui permet aux institutions d’entraîner ses modèles sur leurs propres données et de les exécuter sur leur propre infrastructure. Le groupe Shinsegae teste une édition souveraine en Corée du Sud.
« Ils ressemblent un peu à des fusées », a déclaré Laskin concernant la trajectoire de ses modèles vers le niveau frontier. « Pour construire une grande fusée, il faut du temps. »
Si vous lisez ceci, vous êtes déjà en avance. Restez ainsi grâce à notre newsletter.
FAQ
Qu’est-ce que Beam et qui l’a développé ?
Beam est le premier modèle open-weight de Reflection AI, un système mixture-of-experts comptant 501 milliards de paramètres.
Quand les poids de Beam seront-ils publiés ?
Plus tard en octobre 2026, sous licence Apache 2.0, après la phase finale de tests adverses (red-teaming).
Comment Beam se compare-t-il aux modèles concurrents ?
Selon Reflection, Beam égale GLM-5.2 de Z.ai dans les tests de raisonnement tout en utilisant 3 à 4 fois moins de puissance de calcul pour l’inférence.
Randa Moses
Randa Moses est rédactrice et journaliste chez Cryptopolitan, couvrant la technologie, l'IA, la robotique, la crypto, les arnaques et les piratages. Elle évolue dans l'espace crypto depuis 2017. Elle a occupé des postes chez Forward Protocol, AmaZix et Cryptosomniac. Randa détient un diplôme en génie électrique et électronique de l'Université de Bradford.
