Beamとは？
Beamは、元Google DeepMindの研究者Misha LaskinとIoannis Antonoglouが2024年に設立したニューヨークの研究所Reflectionによる、初のオープンウェイトモデルです。Reflection は2026年10月5日に発表し、10月16日にHugging FaceでApache 2.0ライセンスのもと、BF16、FP8、NVFP4の重みを公開しました。投機的デコーディング用に、1.93BパラメータのドラフトモデルDFlash2も付いています。正式なモデルIDはBeam-1.0-501B-A23Bです。
テキスト専用のmixture-of-expertsモデルで、パラメータは5,013億（501.3 billion）、トークンごとにアクティブなのは234億（23.4 billion）です（256のエキスパートのうち8つ）。コンテキストは1Mトークン、知識のカットオフは2026年6月30日です。推論は常にオンで、lowからmaxまで5段階の労力の設定があります。OpenAIのharmonyチャット形式を改変したものを使い、主に英語向けに開発されました。
Reflection自身のAPIは、1日の利用上限付きの無料のパブリックベータで、ベータ後の価格は公表されていません。ホスト型のエンドポイントは、OpenRouterで100万入力トークンあたり$0.24、100万出力トークンあたり$0.98からで、Together AIとBasetenはどちらも$0.40 / $1.20です。
Beamは使う価値があるか？
Beamの強みは、純粋な能力ではなく効率にあります。Artificial AnalysisはIntelligence Indexで30と評価しており、米国のオープンウェイトモデルではMetaのMuse Spark Open（39）に次ぐ2位で、NVIDIAのNemotron 3.5 Super VL（26）を上回りますが、オープンモデル全体では10位にすぎません。中国の首位層は1段上で、同じ指標でMiMo-V2.6-Proは46、GLM-5.3は45、Kimi K3は44です。Reflection自身の発表記事も、純粋な能力ではKimi K3が上だと認めています。
優れているのは、少ない言葉でタスクを終える点です。Artificial Analysisによると、指標のタスクあたりの出力トークンは約26,000で、1ポイント高いUAEのK2 Horizonの52,000の半分です。測定された速度は毎秒364.3出力トークンで、同クラスの78モデル中2位です。指標全体の実行費用はタスクあたり$0.23でした。Reflectionは、GLM-5.2と同等のスコアを3分の1から4分の1の推論計算量で達成すると主張していますが、この数字はアクティブパラメータと生成トークンからの同社自身の推計で、測定値ではありません。
モデルカードの自己申告の数値は高く、SWE-bench Verifiedで81.6%、Terminal Bench v2.1で80.1%、GPQA Diamondで90.6%です。独立したテストは、エージェント型のコーディングについてもっと厳しい評価です。Artificial AnalysisはTerminal-Bench 4.0で3.0%を記録しており、Qwen3.8 27B（5.6%）を下回ります。Reflection自身のMirrorハーネスでは、BeamはCoding Agent Indexで28で、次の構成より15ポイント、首位層より40ポイント低くなっています。AA-Omniscienceでのハルシネーション率は47%で、Qwen3.8 27Bの30%より高く、正答した質問は多い（33%）にもかかわらずです。
最も強い推奨理由はライセンスです。Apache 2.0には売上上限も帰属表示の規則もありません。一方、Muse Spark Openは製品ごとの帰属表示と、大規模なmodel-as-a-serviceの事業者には別の契約を求めます。Beamのモデルカードは、蒸留と出力を使った学習を明示的に認めています。Artificial Analysisは、Cyber Indexでも34%で米国のオープンモデルの首位に置いています。Reflectionのドキュメントは、この自由の最も実用的な使い方を示しています。Gemma 4 E4Bのような小さなモデルに、ツールを呼ぶ前に短く推論するよう教えることで、Reflectionの例ではそのモデルの出力トークンが45%減りました。
セルフホストは小規模では済みません。NVFP4のチェックポ イントだけで273 GiBあり、Reflectionの配信ガイドはNVLinkで接続したNVIDIA B300 GPU 4枚を前提としています。gpt-oss-120bより大きい、米国製でApacheライセンスの推論モデルが必要なチームにとって、Beamは当然の候補です。1ドルあたりで最良のオープンモデルだけが必要なチームにとっては、GLM-5.3とMiMo-V2.6-Proが今も約15ポイント高いスコアです。
真価を発揮する場面
法務部門が中国製モデルを認めない米国のソフトウェア企業のMLチーム
大型の推論モデルを、安価なハードウェアで動く小さなモデルに蒸留する
Apache 2.0と、モデルカードが出力を使った学習を明示的に認めていることから、Beamは問題のない教師モデルです。ReflectionのTRLのレシピは、Beamが推論を書いたツール呼び出しの会話でGemma 4 E4Bをファインチューンし、1ノードで14から19分の実行で、出力トークンが45%減り、BFCL v4が3.7ポイント上がったと報告しています。
ホスト型APIで調査と自動化のエージェントを運用するプラットフォームチーム
長い推論の処理で出力トークンの請求を抑える
Artificial Analysisによると、Beamは指標のタスクあたり$0.23で、タスクあたり約26,000の出力トークンがそれを支えています。月に入力10億（1 billion）、出力1億（100 million）トークンなら、キャッシュヒット前で、$0.40 / $1.20のTogether AIで約$520、OpenRouter経由のNebiusの$0.25 / $1.00で約$350です。
コーディングエージェント向けにオープンモデルを評価する開発者
Beamが有料のコーディングモデルを置き換えられるほど良いかを判断する
Reflectionの無料ベータAPIかMirror CLIで始め、自分のリポジトリで現在のモデルと比べます。差は覚悟すべきです。Artificial Analysisの評価はCoding Agent Indexで28、Terminal-Bench 4.0で3.0%で、Reflectionが自己申告するTerminal Bench v2.1の80.1%には遠く及びません。
導入前に確認すること
- 導入
- api.reflection.ai/openai/v1にあるReflectionのOpenAI互換APIでモデルBeam-1.0-501B-A23Bを指定するか、ターミナルでのコーディングにはMirror CLIを使います。セルフホストには、B300 GPU 4枚でのSGLang、vLLM、TokenSpeedのレシピが文書化されており、Kubernetes用のHelmチャートもあります。
- 連携
- ReflectionのAPIとOpenRouterで、ツール呼び出し、構造化出力、推論の労力の設定が使えます。ホストには、OpenRouter上のTogether AI、Baseten、Nebius、CoreWeave、DigitalOcean、Io Net、AWS SageMaker、Google Cloud Model Gardenがあり、AzureとOracleは近日対応予定とされています。
- データとプライバシー
- Apache 2.0で、ReflectionのUsage Policyの併用が推奨されています。ReflectionのAPIでは、各レスポンスのreflection-data-retentionヘッダーが、zero、standard、contributorのいずれの保持かを示します。リクエストを学習に使えるのは、組織が受け入れる必要のあるcontributorの条件だけです。
- 大規模利用時のコスト
- 月に入力10億（1 billion）、出力1億（100 million）トークンで、Together AIかBasetenなら約$520、Nebiusなら約$350です。セルフホストには、KVキャッシュを除いてNVFP4で273 GiB、FP8で468.72 GiB、BF16で933.81 GiBが必要です。
- 制限
- テキストのみです。コンテキストは1Mトークンです。Reflection APIでの出力は131,072トークンまでで、既定の予算は推論を含めて32,768トークン、労力の既定値はmaxです。ベータの1日の上限は公表されておらず、ハルシネーション率が47%なので回答は確認が必要です。
良い点
- Apache 2.0で、蒸留と出力を使った学習が明示的に認められている
- Artificial Analysisのタスクあたり出力トークンは約26k、K2 Horizonの半分
- Artificial Analysisでの中央値は毎秒364トークン
- ホスト版は100万トークンあたり$0.24 / $0.98から。Reflection APIはベータ中無料
気になる点
- Artificial Analysisで30と、GLM-5.3やMiMo-V2.6-Proより約15低い
- AA-Omniscienceでのハルシネーション率は47%
- Terminal-Bench 4.0で3.0%、Coding Agent Indexで28
- テキストのみ。NVFP4版でもB300が4枚必要
おすすめの人
米国の研究所によるApache 2.0の大型推論モデルを求めるチーム、特に小さなモデルへの蒸留や、出力トークンが請求の大半を占めるコスト重視のエージェントの運用に。
Beamの代替
Beam：よくある質問
- Beamは使う価値があるか？
- Beamは、本当にオープンなライセンスを持つ米国製オープンモデルとしては最強で、トークンの節約ぶりも本物ですが、比較対象とされる中国のオープンモデルには今もスコアで大きく水をあけられています。 評価は5点満点中3.8点です。
- Beamの料金は？
- 重みはApache 2.0で無料です。Reflection APIはパブリックベータ中で、1日の上限付きで無料です。ホスト版：Together AIとBasetenは100万トークンあたり入力$0.40 / キャッシュ$0.04 / 出力$1.20、OpenRouterは$0.24 / $0.98からです。
- Beamの欠点は？
- Artificial Analysisで30と、GLM-5.3やMiMo-V2.6-Proより約15低い; AA-Omniscienceでのハルシネーション率は47%; Terminal-Bench 4.0で3.0%、Coding Agent Indexで28; テキストのみ。NVFP4版でもB300が4枚必要.
- Beamは誰に向いているか？
- 米国の研究所によるApache 2.0の大型推論モデルを求めるチーム、特に小さなモデルへの蒸留や、出力トークンが請求の大半を占めるコスト重視のエージェントの運用に。
- チームや本番環境でBeamを使うと費用はいくらか？
- 月に入力10億（1 billion）、出力1億（100 million）トークンで、Together AIかBasetenなら約$520、Nebiusなら約$350です。セルフホストには、KVキャッシュを除いてNVFP4で273 GiB、FP8で468.72 GiB、BF16で933.81 GiBが必要です。
- Beamは企業データを扱っても安全か？
- Apache 2.0で、ReflectionのUsage Policyの併用が推奨されています。ReflectionのAPIでは、各レスポンスのreflection-data-retentionヘッダーが、zero、standard、contributorのいずれの保持かを示します。リクエストを学習に使えるのは、組織が受け入れる必要 のあるcontributorの条件だけです。
- Beamの代わりになるものは？
- 当サイトでレビューした中で最も近い代替は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 、 Qwen3.8-27Bです。
回答確認日：2026年10月26日