Reflection AI zaprezentowało Beam, otwarty model sztucznej inteligencji o łącznej liczbie 501 miliardów parametrów; pełna wersja ma się ukazać jeszcze w tym miesiącu.

Firma ogłosiła model 5 października 2026 roku i przedstawia Beam jako zachodnią odpowiedź na chińskie modele otwarte, które po cichu przejęły znaczną część obciążeń deweloperskich. Publikacje open-weight tego typu udostępniają wytrenowane parametry modelu do pobrania, co oznacza, że firmy mogą je analizować, dostosowywać i uruchamiać na własnej infrastrukturze, zamiast polegać wyłącznie na usłudze hostowanej przez dostawcę.

Rzadka architektura zbudowana pod kątem wydajności

Beam opiera się na tym, co technicznie nazywa się rzadką architekturą Mixture-of-Experts. Choć zawiera łącznie 501 miliardów parametrów, dla każdego tokena — podstawowej jednostki tekstu, mniej więcej odpowiadającej słowu lub jego fragmentowi — aktywnych jest tylko 23 miliardy. Ta różnica ma znaczenie, ponieważ koszt uruchomienia modelu zależy od liczby parametrów aktywnych, a nie łącznej. Bardzo duży model, który w danym momencie angażuje tylko niewielką część swojej pojemności, może pozostawać zdolny bez spalania pieniędzy na każdą odpowiedź.

Reflection podaje, że Beam był pretrenowany na 23,8 biliona tokenów, a następnie przeszedł rozległe uczenie ze wzmocnieniem, czyli proces, w którym model ćwiczy zadania i otrzymuje nagrody za poprawne odpowiedzi. Firma przeprowadziła ponad 100 milionów takich rozgrywek treningowych na 10500 układach NVIDIA GB300.

Argumenty benchmarkowe

Reflection pozycjonuje Beam wobec dwóch konkretnych chińskich rywali: GLM-5.2 firmy Z.ai oraz Qwen 3.8-Max firmy Alibaba. Według zapewnień firmy Beam dorównuje tym modelom lub zbliża się do nich pod względem wydajności, zwłaszcza w rozumowaniu i programowaniu.

Beam uzyskał wynik 80,9 w SWE-Bench Verified, benchmarku sprawdzającym, czy model potrafi naprawiać prawdziwe błędy w oprogramowaniu, oraz 80,1 w Terminal Bench v2.1, który mierzy, jak dobrze model radzi sobie w środowisku wiersza poleceń. Reflection twierdzi, że Beam osiąga ten konkurencyjny poziom, zużywając 3–4 razy mniej mocy obliczeniowej wnioskowania.

Na tym etapie wyniki benchmarków są samoraportowane, a raport techniczny nie został jeszcze opublikowany. Niezależne testy rozpoczną się po udostępnieniu wag.

Pełne wagi modelu i dokumentacja techniczna mają zostać wydane w drugiej połowie października 2026 na licencji Apache 2.0 — jednej z najbardziej liberalnych licencji open source, która na ogół pozwala firmom korzystać z oprogramowania, jeego modyfikować i je komercjalizować przy niewielu ograniczeniach.

Kto stoi za projektem

Reflection AI to amerykański startup założony w marcu 2024 roku przez byłych badaczy Google DeepMind. Od momentu założenia firma pozyskała ponad 4 miliardy dolarów, a ostatnia runda finansowania wyceniła ją na 25 miliardów dolarów przed zaangażowaniem nowego kapitału. Wśród inwestorów są Nvidia, Sequoia i Citigroup.

Firma zbudowała również powiązania w Waszyngtonie. Jej partnerstwa obejmują współpracę z Pentagonem i Departamentem Energii USA, a Reflection informuje, że koncentruje się coraz bardziej na skalowalnym AI dostosowanym do klientów korporacyjnych.

Dlaczego wątek chiński ma znaczenie

Rynek modeli otwartych ma problem geograficzny, przynajmniej z perspektywy USA. Według doniesień chińskie modele otwarte przejęły niedawno ponad 30% udziału w tokenach, a Reflection stawia na to, że istnieje realny popyt na rodzimą alternatywę. Udział w tokenach śledzi objętość tekstu przetwarzanego przez różne modele i służy jako przybliżona miara rzeczywistego użytkowania. Stawianym celem firmy jest zapewnienie zachodnim użytkownikom solidnych opcji open-weight niezależnych od chińskich dostawców.

dla agencji rządowych i branż regulowanych pochodzenie modelu może mieć takie samo znaczenie jak jego wydajność. Współpraca Reflection z Pentagonem i Departamentem Energii sugeruje, że firma mocno opiera się na tym argumencie.

Co to oznacza

Dla klientów korporacyjnych kluczowa jest deklaracja dotycząca wydajności. Jeśli Beam faktycznie zapewni porównywalną wydajność w rozumowaniu programowaniu przy 3–4 razy mniejszej mocy obliczeniowej wnioskowania, zmieni to kalkulację samodzielnego hostingu, gdzie koszty wnioskowania powtarzają się przy każdym zapytaniu i rosną wraz z użyciem.

Istnieją oczywiste ryzyka. Samoraportowane benchmarki mają długą historię tego, że w poście premierowym wyglądają lepiej niż w praktyce, a wyniki programistyczne są szczególnie wrażliwe na sposób przeprowadzania testów. Kluczowe daty to planowana publikacja wag i raportu technicznego w drugiej połowie października 2026.

Źródło: CryptoBriefing