Skip to content
FrontierDot

Reflection Beam: del avance del 5 oct. a los pesos Apache 2.0, y el hardware que exige

Cronología en actualización · última actualización · 1 entrada en el registro de cambios

Reflection dijo que los pesos llegarían «a finales de este mes» y llegaron once días después. El lanzamiento es real. Lo que hace falta para ejecutarlo es lo que la mayoría de los artículos omiten.

Beam de Reflection pasó de un avance con lista de espera el 5 oct. a pesos públicos Apache 2.0 el 16 oct.; es un modelo de texto de 501B parámetros con 23B activos, para programación y agentes, y sus afirmaciones de eficiencia son de la propia Reflection.

Leído el 2026-10-17: el anuncio de Reflection, la ficha del modelo y la documentación para desarrolladores, y la publicación de lanzamiento de Hugging Face. Las cifras de benchmark las declara Reflection y no ejecutamos el modelo. Citamos solo páginas oficiales y no añadimos nada que no figure en ellas.

Cronología

  1. Reflection presenta Beam como su primer modelo de pesos abiertos: un mixture-of-experts disperso con 501 mil millones de parámetros en total y 23 mil millones activos, creado para programación, razonamiento y trabajo con agentes. La publicación dice que se preentrenó con 23,8 billones de tokens y que una ejecución de aprendizaje por refuerzo generó más de 100 millones de rollouts en 10,5K GPU NVIDIA GB300 durante cuatro semanas. Beam se describe como en red-teaming final, con acceso anticipado mediante lista de espera y pesos prometidos para finales de ese mes.

    Reflection: Introducing Beam

  2. Reflection actualiza el anuncio: dice que ha actualizado los resultados de benchmark de Beam, que las tablas de la página reflejan las cifras más recientes y que el resto de resultados no cambian.

    Reflection: Introducing Beam (update note)

  3. Los pesos se hacen públicos. Hugging Face publica su entrada de lanzamiento de Beam bajo Apache 2.0, con checkpoints BF16, FP8 y NVFP4, soporte day-0 en transformers, SGLang y vLLM, y acceso mediante Hugging Face Inference Providers. La documentación de servicio de Reflection, modificada por última vez el mismo día, indica 273 GiB para la descarga NVFP4, 468,72 GiB para FP8 y 933,81 GiB para BF16.

    Hugging Face: Welcome Beam

La promesa y la fecha en que se cumplió

El anuncio del 5 de octubre hizo dos cosas a la vez. Mostró lo que Beam podía hacer y se negó a entregar el modelo. La publicación dice que Beam estaba «en red-teaming y evaluaciones finales», remite a una lista de espera para el acceso anticipado y afirma que Reflection publicaría los pesos, el informe técnico, la ficha del modelo y los artefactos para desarrolladores «a finales de este mes». También dice que los pesos llegarían bajo licencia Apache 2.0, junto con la documentación y toda la pila para ejecutar, evaluar y afinar el modelo.

Once días después estaba en línea la entrada de lanzamiento de Hugging Face, fechada el 16 de octubre, y enuncia la licencia con claridad: Apache 2.0. La página de documentación para desarrolladores sobre la descarga de los pesos lleva la misma fecha de última modificación. Para una empresa que había prometido un lanzamiento a fin de mes, es pronto y completo en lo que cuenta: los checkpoints existen y la licencia es la permisiva que se había anunciado.

La redacción importa porque un avance con lista de espera se confunde fácilmente con un lanzamiento. Entre el 5 y el 16 de octubre podías leer sobre Beam pero no descargarlo. Después del 16 de octubre, sí. Una página de cronología es el formato adecuado para este tipo de historia, porque lo interesante es la distancia entre las dos fechas y que se cerró.

Qué es Beam, según la ficha del modelo

La ficha del modelo describe Beam como un modelo mixture-of-experts disperso con 501 mil millones de parámetros en total y 23 mil millones activos, creado para programación, razonamiento y cargas de trabajo con agentes. Recibe texto y produce texto. La ventana de contexto es de 1 millón de tokens, el vocabulario de 152 mil tokens y la fecha límite de conocimiento indicada es el 30 de junio de 2026. La ficha lista 52 capas, tres densas y 49 mixture-of-experts, con 256 expertos, y atención de consultas agrupadas con compuerta combinada con atención de ventana deslizante.

La entrada de Hugging Face añade el detalle que concreta la disposición. La mayoría de las capas usan atención de ventana deslizante sobre los 512 tokens anteriores, y cada sexta capa más la última atienden a todo el contexto, lo que da 43 capas de ventana deslizante y 9 globales. Por eso el contexto largo es asumible. La entrada calcula que, si las 52 capas conservaran cada token, el caché clave-valor crecería 208 KiB por token, pero con solo nueve capas globales crece 36 KiB por token, y da unos 36 GiB para una secuencia completa de un millón de tokens en BF16. Son cifras de Hugging Face para la implementación de transformers, y son por secuencia.

Ocho de los 256 expertos se ejecutan para cada token, de ahí la cifra de 23 mil millones activos. La entrada enuncia la consecuencia directamente: los 256 expertos permanecen en memoria, así que el despliegue necesita la memoria de un modelo de 501B mientras funciona aproximadamente a la velocidad de uno de 23B. Retén esa frase, porque explica la sección de hardware que sigue.

La afirmación de eficiencia y cómo leerla

El argumento de Reflection no es que Beam sea el modelo abierto más fuerte. El anuncio dice lo contrario con claridad: Beam es competitivo con modelos abiertos más grandes como GLM 5.2 y se acerca a Qwen 3.8-Max en tareas de programación y de agentes, mientras que modelos abiertos de frontera como Kimi K3 siguen por delante en capacidad bruta. La ventaja que reclama es la eficiencia en inferencia: puntuaciones comparables a GLM-5.2 en benchmarks de razonamiento avanzado con tres a cuatro veces menos cómputo de inferencia.

La publicación es abierta sobre cómo se construyó esa comparación. Estima el cómputo como aproximadamente dos veces el número de parámetros activos por la media de tokens generados por intento, con datos de Artificial Analysis y DataCurve, y dice que la estimación excluye el prefill del prompt, la atención que depende del contexto y la sobrecarga de servicio. En sus propias palabras, es una comparación aproximada de cómputo y no un coste de inferencia medido. Esa franqueza es útil, y también significa que la proporción del titular es un modelo de coste, no una factura.

La ficha del modelo suaviza algo la cifra: dice que Beam alcanza una calidad de solución comparable a la de los principales modelos abiertos con aproximadamente tres veces menos tokens de razonamiento en inferencia. Ambas afirmaciones son de Reflection. No se cita ninguna evaluación independiente en ninguna de las páginas que leímos, así que considera cada cifra de benchmark como declarada por el proveedor hasta que un tercero la reproduzca.

La ficha lista puntuaciones para cada uno de los tres formatos de checkpoint. En SWE-Bench Verified, por ejemplo, muestra 81,6 % para BF16, 80,2 % para FP8 y 80,7 % para NVFP4; en Terminal-Bench 2.1, 80,1 %, 78,9 % y 78,4 %. La diferencia entre formatos es pequeña en la mayoría de las filas, que es el sentido de esa tabla: si ejecutas el formato más barato, espera resultados similares, no idénticos.

Lo que hace falta para ejecutarlo

Aquí es donde un modelo con 23B activos deja de sonar pequeño. La propia guía de servicio de Reflection pide cuatro GPU NVIDIA B300 conectadas por NVLink en un host Linux amd64, con Docker y el NVIDIA Container Toolkit, y señala que los checkpoints son lo bastante grandes como para comprobar antes el espacio en disco. El checkpoint NVFP4 ocupa 273 GiB. El de FP8, 468,72 GiB, y BF16, 933,81 GiB.

La entrada de Hugging Face da el razonamiento sobre hardware en términos más generales. NVFP4 reduce el checkpoint BF16 de aproximadamente 1 TB a unos 280 GB y se ejecuta de forma nativa en GPU Blackwell, pero no en las más antiguas como la H200. FP8 es el formato para Hopper y Ampere. Dice que dos B200 de 180 GB cada una podrían alojar los pesos con poco margen, recomienda planificar cuatro B200 y cita como otras opciones un nodo completo de 8×B200, dos B300 de 288 GB cada una u ocho tarjetas RTX Pro 6000. Para quien no tenga ese hardware, remite a Inference Providers, listando a Baseten, Fireworks y Together en el lanzamiento.

El resumen honesto para un desarrollador individual es, pues, que Beam es abierto en el sentido de la licencia y muy claramente un modelo de centro de datos en el sentido del hardware. Quienes mejor situados están para aprovechar Apache 2.0 aquí son los equipos que quieren alojar, afinar o destilar ellos mismos un modelo de programación, y la ficha del modelo dice que Reflection no prohíbe la destilación, el afinado, la cuantización ni la fusión.

Lo que no pudimos verificar

  • Si la proporción de eficiencia en inferencia de Beam se mantiene en la pila de servicio de otra persona. Reflection describe su propio cálculo como una estimación, y no encontramos ninguna medición independiente en las páginas oficiales.
  • La evaluación de seguridad completa. La ficha informa de tasas de rechazo y cumplimiento de las propias Iris Safety Evaluations de Reflection y remite a un informe de seguridad aparte, que no leímos entero.
  • Cualquier comparación con modelos cerrados. Las páginas que citamos comparan Beam solo con modelos abiertos.

Nuestra opinión

Beam es un lanzamiento limpio según los estándares de los lanzamientos de pesos abiertos de este año: un anuncio fechado, un plazo declarado, una licencia permisiva, tres formatos de checkpoint y recetas de servicio funcionales desde el primer día. El punto débil es el encuadre. Las afirmaciones de eficiencia son las más fáciles de hacer y las más difíciles de comprobar, y las propias páginas dicen que la comparación es aproximada. Mantendremos esta página como cronología viva. Cuando aparezca una evaluación independiente, un informe técnico o una arruga de licencia, recibirá un nodo fechado y una entrada en el registro de actualizaciones, y la conclusión de arriba cambiará si cambian los hechos.

Lectura relacionada en este sitio: cómo encaja con tu hardware el diseño de 25B activos de Ling-3.1-flash plantea el mismo punto de memoria frente a velocidad para otro modelo mixture-of-experts, y la cronología de Muse Spark Open cubre el otro gran lanzamiento de pesos abiertos de la misma semana.

Sigue leyendo

Todos los artículos, del más reciente al más antiguo, están en el índice del blog de Front.

Preguntas frecuentes

¿Es Reflection Beam de código abierto?

Los pesos son públicos bajo la licencia Apache 2.0, según Reflection y Hugging Face. Los datos de entrenamiento y la receta completa de entrenamiento no forman parte del lanzamiento, según las páginas que leímos.

¿Cuándo se publicaron los pesos de Beam?

Reflection anunció Beam el 5 de octubre de 2026 y los pesos eran públicos el 16 de octubre de 2026, cuando Hugging Face publicó su entrada de lanzamiento.

¿Qué hardware necesita Beam?

La guía de servicio de Reflection lista cuatro GPU NVIDIA B300 para el checkpoint NVFP4, que ocupa 273 GiB. FP8 ocupa 468,72 GiB y BF16 933,81 GiB.

Registro de cambios

  • — Primera publicación.

Fuentes