Qu’est-ce que Beam ?
Beam est le premier modèle à poids ouverts de Reflection, le laboratoire de New York fondé en 2024 par les anciens chercheurs de Google DeepMind Misha Laskin et Ioannis Antonoglou. Reflection l'a annoncé le 5 octobre 2026 et a publié les poids sur Hugging Face le 16 octobre sous la licence Apache 2.0, en BF16, FP8 et NVFP4, avec un modèle draft DFlash2 de 1,93B de paramètres pour le décodage spéculatif. L'identifiant complet du modèle est Beam-1.0-501B-A23B.
C'est un modèle mixture-of-experts uniquement textuel avec 501,3 milliards de paramètres, dont 23,4 milliards actifs par token (8 sur 256 experts), un contexte de 1M de tokens et une date limite de connaissances au 30 juin 2026. Le raisonnement est toujours actif, avec cinq niveaux d'effort de low à max. Il utilise une version modifiée du format de chat harmony d'OpenAI et a été développé principalement pour l'anglais.
L'API propre de Reflection est une bêta publique gratuite avec des limites d'usage quotidiennes et aucun prix post-bêta publié. Les endpoints hébergés vont de 0,24 $ par million de tokens en entrée et 0,98 $ par million en sortie sur OpenRouter, et Together AI et Baseten facturent tous deux 0,40 $ / 1,20 $.
Beam vaut-il le coup ?
L'argument de Beam repose sur l'efficacité plutôt que sur la capacité brute. Artificial Analysis le note 30 sur son Intelligence Index, deuxième parmi les modèles à poids ouverts américains derrière le Muse Spark Open de Meta (39) et devant le Nemotron 3.5 Super VL de NVIDIA (26), mais seulement dixième parmi tous les modèles ouverts. Les leaders chinois sont un cran au-dessus : MiMo-V2.6-Pro obtient 46, GLM-5.3 45 et Kimi K3 44 sur le même index. Le propre billet de lancement de Reflection concède que Kimi K3 est devant sur la capacité brute.
Ce qu'il fait mieux, c'est terminer une tâche en moins de mots. Artificial Analysis compte environ 26 000 tokens de sortie par tâche de l'index, la moitié des 52 000 du K2 Horizon des Émirats, qui obtient un point de plus, et il a mesuré 364,3 tokens de sortie par seconde, deuxième sur 78 modèles de sa catégorie. Faire tourner tout l'index a coûté 0,23 $ par tâche. Reflection revendique des scores comparables à GLM-5.2 pour trois à quatre fois moins de calcul d'inférence, mais ce chiffre est sa propre estimation à partir des paramètres actifs et des tokens générés, pas une mesure.
Les chiffres autodéclarés sur la fiche du modèle sont forts : 81,6 % sur SWE-bench Verified, 80,1 % sur Terminal Bench v2.1 et 90,6 % sur GPQA Diamond. Les tests indépendants sont moins cléments sur le code agentique. Artificial Analysis enregistre 3,0 % sur Terminal-Bench 4.0, derrière Qwen3.8 27B (5,6 %), et dans le propre harnais Mirror de Reflection, Beam obtient 28 sur le Coding Agent Index, 15 points derrière la configuration suivante et 40 derrière les leaders. Son taux d'hallucination sur AA-Omniscience est de 47 %, contre 30 % pour Qwen3.8 27B, même s'il répond correctement à plus de questions (33 %).
La licence est l'argument le plus fort en sa faveur. Apache 2.0 ne porte aucun plafond de revenus ni règle d'attribution, là où Muse Spark Open exige une attribution dans chaque produit et un accord séparé pour les grands fournisseurs de modèle en tant que service, et la fiche du modèle permet explicitement la distillation et l'entraînement sur ses sorties. Artificial Analysis le place aussi en tête des modèles ouverts américains sur son Cyber Index à 34 %. La documentation de Reflection montre l'usage le plus pratique de cette liberté : apprendre à un petit modèle comme Gemma 4 E4B à raisonner brièvement avant d'appeler des outils, ce qui a réduit les tokens de sortie de ce modèle de 45 % dans l'exemple de Reflection.
L'auto-hébergement n'est pas petit. Le checkpoint NVFP4 à lui seul fait 273 Gio, et les guides de service de Reflection supposent quatre GPU NVIDIA B300 sur NVLink. Pour une équipe qui a besoin d'un modèle de raisonnement américain, sous licence Apache, plus grand que gpt-oss-120b, Beam est le candidat évident ; pour une équipe qui n'a besoin que du meilleur modèle ouvert par dollar, GLM-5.3 et MiMo-V2.6-Pro obtiennent encore environ 15 points de plus.
Là où il fait la différence
Une équipe ML dans une entreprise de logiciels américaine dont le service juridique bloque les modèles d'origine chinoise
Distiller un grand modèle de raisonnement en un petit qui tourne sur du matériel bon marché
Apache 2.0 et la permission explicite de la fiche du modèle pour l'entraînement sur les sorties font de Beam un enseignant propre. La recette TRL de Reflection affine Gemma 4 E4B sur des conversations à appel d'outils dont Beam a écrit le raisonnement, rapportant 45 % de tokens de sortie en moins et 3,7 points de plus sur BFCL v4 en une exécution de 14 à 19 minutes sur un nœud.
Une équipe plateforme qui fait tourner des agents de recherche et d'automatisation via une API hébergée
Maîtriser la facture de tokens de sortie sur de longues charges de raisonnement
Artificial Analysis place Beam à 0,23 $ par tâche de l'index, aidé par environ 26 000 tokens de sortie par tâche. Un mois d'1 milliard de tokens en entrée et 100 millions en sortie coûte environ 520 $ sur Together AI à 0,40 $ / 1,20 $, ou environ 350 $ via Nebius sur OpenRouter à 0,25 $ / 1,00 $, avant les hits de cache.
Un développeur qui évalue des modèles ouverts pour un agent de code
Décider si Beam est assez bon pour remplacer un modèle de code payant
Commencer sur l'API bêta gratuite de Reflection ou dans Mirror CLI, puis comparer avec votre modèle actuel sur vos propres dépôts. Attendez-vous à un écart : Artificial Analysis note Beam 28 sur son Coding Agent Index et 3,0 % sur Terminal-Bench 4.0, bien en deçà des 80,1 % autodéclarés de Reflection sur Terminal Bench v2.1.
Avant de vous engager
- Mise en route
- L'API compatible OpenAI de Reflection sur api.reflection.ai/openai/v1 avec le modèle Beam-1.0-501B-A23B, ou Mirror CLI pour le code en terminal. L'auto-hébergement a des recettes SGLang, vLLM et TokenSpeed documentées sur quatre GPU B300, plus un chart Helm pour Kubernetes.
- Intégrations
- Appel d'outils, sorties structurées et effort de raisonnement sur l'API de Reflection et OpenRouter. Les hébergeurs incluent Together AI, Baseten, Nebius, CoreWeave, DigitalOcean et Io Net sur OpenRouter, AWS SageMaker et Google Cloud Model Garden ; Azure et Oracle sont indiqués comme à venir.
- Données et confidentialité
- Apache 2.0, avec la Usage Policy de Reflection recommandée à côté. Sur l'API de Reflection, l'en-tête reflection-data-retention de chaque réponse rapporte une conservation zéro, standard ou contributeur ; seules les conditions contributeur, qu'une organisation doit accepter, autorisent l'entraînement sur vos requêtes.
- Coût à grande échelle
- 1 milliard de tokens en entrée et 100 millions en sortie par mois coûtent environ 520 $ sur Together AI ou Baseten et environ 350 $ sur Nebius. L'auto-hébergement a besoin de 273 Gio pour le NVFP4, 468,72 Gio pour le FP8 ou 933,81 Gio pour le BF16 avant tout cache KV.
- Limites
- Texte uniquement. Contexte de 1M de tokens ; 131 072 tokens de sortie sur l'API Reflection, où le budget par défaut est de 32 768 tokens raisonnement inclus et l'effort par défaut est max. Les allocations quotidiennes de la bêta ne sont pas publiées, et un taux d'hallucination de 47 % signifie que les réponses ont besoin d'être vérifiées.
Les points forts
- Apache 2.0, distillation et entraînement sur les sorties explicitement autorisés
- Environ 26k tokens de sortie par tâche Artificial Analysis, la moitié de K2 Horizon
- 364 tokens par seconde en médiane sur Artificial Analysis
- Hébergé à partir de 0,24 $ / 0,98 $ par 1M de tokens ; API Reflection gratuite en bêta
Les points faibles
- Obtient 30 sur Artificial Analysis, environ 15 sous GLM-5.3 et MiMo-V2.6-Pro
- Taux d'hallucination de 47 % sur AA-Omniscience
- 3,0 % sur Terminal-Bench 4.0 et 28 sur le Coding Agent Index
- Texte uniquement ; la version NVFP4 a encore besoin de quatre B300
Idéal pour
Les équipes qui veulent un grand modèle de raisonnement d'un laboratoire américain sous Apache 2.0, en particulier pour le distiller dans des modèles plus petits ou faire tourner des agents sensibles aux coûts où les tokens de sortie dominent la facture.
Alternatives à Beam
Beam : questions fréquentes
- Beam vaut-il le coup ?
- Beam est le modèle ouvert américain le plus fort avec une licence véritablement ouverte, et son économie de tokens est réelle, mais les modèles ouverts chinois auxquels il est opposé obtiennent encore un score bien devant lui. Nous lui donnons 3.8 sur 5.
- Combien coûte Beam ?
- Poids Apache 2.0 gratuits. API Reflection gratuite en bêta publique avec limites quotidiennes. Hébergé : Together AI et Baseten 0,40 $ en entrée / 0,04 $ en cache / 1,20 $ en sortie par 1M de tokens ; OpenRouter à partir de 0,24 $ / 0,98 $.
- Quels sont les inconvénients de Beam ?
- Obtient 30 sur Artificial Analysis, environ 15 sous GLM-5.3 et MiMo-V2.6-Pro; taux d'hallucination de 47 % sur AA-Omniscience; 3,0 % sur Terminal-Bench 4.0 et 28 sur le Coding Agent Index; texte uniquement ; la version NVFP4 a encore besoin de quatre B300.
- À qui s’adresse Beam ?
- Les équipes qui veulent un grand modèle de raisonnement d'un laboratoire américain sous Apache 2.0, en particulier pour le distiller dans des modèles plus petits ou faire tourner des agents sensibles aux coûts où les tokens de sortie dominent la facture.
- Combien coûte Beam pour une équipe ou en production ?
- 1 milliard de tokens en entrée et 100 millions en sortie par mois coûtent environ 520 $ sur Together AI ou Baseten et environ 350 $ sur Nebius. L'auto-hébergement a besoin de 273 Gio pour le NVFP4, 468,72 Gio pour le FP8 ou 933,81 Gio pour le BF16 avant tout cache KV.
- Beam est-il sûr pour les données de l’entreprise ?
- Apache 2.0, avec la Usage Policy de Reflection recommandée à côté. Sur l'API de Reflection, l'en-tête reflection-data-retention de chaque réponse rapporte une conservation zéro, standard ou contributeur ; seules les conditions contributeur, qu'une organisation doit accepter, autorisent l'entraînement sur vos requêtes.
- Quelles sont les meilleures alternatives à Beam ?
- Les alternatives les plus proches que nous avons testées sont gpt-oss-120b, DeepSeek-V4.1-Flash, Muse Spark Open, Nemotron 3.5 Super VL, GLM-5.3, MiMo-V2.6-Pro, Kimi K3, MiniMax-M3 et Qwen3.8-27B.
Réponses vérifiées le 26 oct. 2026.