Beam의 개요
Beam은 Reflection의 첫 오픈 가중치 모델입니다. Reflection은 전 Google DeepMind 연구원 Misha Laskin과 Ioannis Antonoglou가 2024년에 세운 뉴욕의 연구소입니다. Reflection은 2026년 10월 5일 이 모델을 발표했고, 10월 16일 Hugging Face에 Apache 2.0 라이선스로 가중치를 공개했습니다. BF16, FP8, NVFP4 형식이며, 추론적 디코딩용 1.93B 파라미터 DFlash2 드래프트 모델도 함께 제공됩니다. 전체 모델 ID는 Beam-1.0-501B-A23B입니다.
텍스트 전용 전문가 혼합(MoE) 모델로, 파라미터는 5,013억(501.3 billion) 개이며 그중 토큰당 234억(23.4 billion) 개가 활성입니다(256개 전문가 중 8개). 컨텍스트는 1M 토큰이며 지식 기준일은 2026년 6월 30일입니다. 추론은 항상 켜져 있고, low부터 max까지 다섯 단계의 노력 수준이 있습니다. OpenAI의 harmony 채팅 형식을 수정한 버전을 쓰며, 주로 영어를 대상으로 개발되었습니다.
Reflection 자체 API는 일일 사용 한도가 있는 무료 공개 베타이며, 베타 이후 가격은 공개되지 않았습니다. 호스팅 엔드포인트는 OpenRouter에서 입력 100만 토큰당 $0.24, 출력 100만 토큰당 $0.98부터이며, Together AI와 Baseten은 모두 $0.40 / $1.20을 받습니다.
Beam, 쓸 만한 가치가 있습니까?
Beam의 강점은 순수한 능력이 아니라 효율에 있습니다. Artificial Analysis는 Intelligence Index에서 30점을 줍니다. 미국 오픈 가중치 모델 중 Meta의 Muse Spark Open(39)에 이어 2위이며, NVIDIA의 Nemotron 3.5 Super VL(26)보다 앞서지만, 전체 오픈 모델 중에서는 10위 에 그칩니다. 중국 선두 모델들은 한 단계 위입니다. 같은 지수에서 MiMo-V2.6-Pro는 46, GLM-5.3은 45, Kimi K3는 44입니다. Reflection의 출시 글도 순수한 능력에서는 Kimi K3가 앞선다고 인정합니다.
더 잘하는 것은 더 적은 단어로 작업을 끝내는 일입니다. Artificial Analysis 집계로 지수 작업당 출력 토큰은 약 26,000개입니다. 1점 더 높은 UAE의 K2 Horizon이 쓰는 52,000개의 절반입니다. 측정된 속도는 초당 출력 364.3 토큰으로, 같은 등급 78개 모델 중 2위입니다. 지수 전체를 실행한 비용은 작업당 $0.23이었습니다. Reflection은 GLM-5.2와 비슷한 점수를 3~4분의 1의 추론 연산으로 낸다고 주장하지만, 이 수치는 활성 파라미터와 생성 토큰으로 낸 자체 추정치이며 측정값이 아닙니다.
모델 카드의 자체 보고 수치는 강력합니다. SWE-bench Verified 81.6%, Terminal Bench v2.1 80.1%, GPQA Diamond 90.6%입니다. 독립적인 시험은 에이전트 코딩에서 덜 너그럽습니다. Artificial Analysis는 Terminal-Bench 4.0에서 3.0%를 기록해 Qwen3.8 27B(5.6%)보다 뒤처졌습니다. Reflection 자체의 Mirror 하네스에서도 Beam은 Coding Agent Index 28점으로, 다음 구성보다 15점, 선두보다 40점 낮습니다. AA-Omniscience에서 환각률은 47%로 Qwen3.8 27B의 30%보다 높습니다. 정답을 맞힌 질문 비율(33%)은 더 높은데도 그렇습니다.
가장 강력한 근거는 라이선스입니다. Apache 2.0에는 매출 상한이나 출처 표기 규정이 없습니다. 반면 Muse Spark Open은 제품마다 출처 표기를 요구하고, 대형 모델 서비스(MaaS) 제공자에게는 별도 계약을 요구합니다. 모델 카드는 증류와 출력 기반 학습을 명시적으로 허용합니다. Artificial Analysis는 Cyber Index에서도 34%로 미국 오픈 모델 1위에 올렸습니다. Reflection의 문서는 이 자유를 가장 실용적으로 쓰는 방법을 보여 줍니다. Gemma 4 E4B 같은 작은 모델이 도구를 호출하기 전에 짧게 추론하도록 가르치는 것으로, Reflection의 예시에서는 그 모델의 출력 토큰이 45% 줄었습니다.
자체 호스팅은 작지 않습니다. NVFP4 체크포인트만 273 GiB이며, Reflection의 서빙 가이드는 NVLink로 연결된 NVIDIA B300 GPU 4장을 전제로 합니다. gpt-oss-120b보다 큰 미국산 Apache 라이선스 추론 모델이 필요한 팀이라면 Beam이 당연한 후보입니다. 달러당 최고의 오픈 모델만 필요한 팀이라면 GLM-5.3과 MiMo-V2.6-Pro가 여전히 약 15점 높습니다.
제 역할을 하는 곳
법무팀이 중국산 모델을 막고 있는 미국 소프트웨어 회사의 ML 팀
대형 추론 모델을 저렴한 하드웨어에서 돌아가는 작은 모델로 증류
Apache 2.0과 모델 카드의 출력 기반 학습 명시 허용 덕분에 Beam은 문제없는 교사 모델입니다. Reflection의 TRL 레시피는 Beam이 추론을 작성한 도구 호출 대화로 Gemma 4 E4B를 파인튜닝합니다. 노드 하나에서 14~19분 실행으로 출력 토큰 45% 감소, BFCL v4 3.7점 향상을 보고합니다.
호스팅 API로 리서치와 자동화 에이전트를 운영하는 플랫폼 팀
긴 추론 작업에서 출력 토큰 비용 억제
Artificial Analysis는 Beam의 비용을 지수 작업당 $0.23로 봅니다. 작업당 약 26,000개의 출력 토큰 이 도움이 됩니다. 월 입력 10억(1 billion), 출력 1억(100 million) 토큰은 캐시 적중 전 기준으로 Together AI($0.40 / $1.20)에서 약 $520, OpenRouter의 Nebius($0.25 / $1.00)에서 약 $350입니다.
코딩 에이전트용 오픈 모델을 평가하는 개발자
Beam이 유료 코딩 모델을 대체할 만큼 좋은지 판단
Reflection의 무료 베타 API나 Mirror CLI로 시작한 뒤, 자신의 저장소에서 현재 모델과 비교합니다. 격차를 예상해야 합니다. Artificial Analysis는 Beam에 Coding Agent Index 28점, Terminal-Bench 4.0 3.0%를 주며, 이는 Reflection이 자체 보고한 Terminal Bench v2.1 80.1%에 한참 못 미칩니다.
도입 전 확인할 점
- 설정
- api.reflection.ai/openai/v1의 Reflection OpenAI 호환 API에서 모델 Beam-1.0-501B-A23B를 쓰거나, 터미널 코딩용 Mirror CLI를 씁니다. 자체 호스팅은 B300 GPU 4장 기준의 SGLang, vLLM, TokenSpeed 레시피와 Kubernetes용 Helm 차트가 문서화되어 있습니다.
- 연동
- Reflection API와 OpenRouter에서 도구 호출, 구조화된 출력, 추론 노력 수준을 지원합니다. 호스트로는 OpenRouter의 Together AI, Baseten, Nebius, CoreWeave, DigitalOcean, Io Net과 AWS SageMaker, Google Cloud Model Garden이 있으며, Azure와 Oracle은 출시 예정으로 표시되어 있습니다.
- 데이터와 개인정보
- Apache 2.0이며, Reflection의 Usage Policy를 함께 따를 것을 권장합니다. Reflection API에서는 각 응답의 reflection-data-retention 헤더가 zero, standard, contributor 보존 중 무엇인지 알려 줍니다. 요청을 학습에 쓸 수 있는 것은 조직이 수락해야 하는 contributor 조건뿐입니다.
- 대규모 사용 시 비용
- 월 입력 10억(1 billion), 출력 1억(100 million) 토큰은 Together AI나 Baseten에서 약 $520, Nebius에서 약 $350입니다. 자체 호스팅에는 KV 캐시를 빼고도 NVFP4 273 GiB, FP8 468.72 GiB, BF16 933.81 GiB가 필요합니다.
- 제한
- 텍스트 전용입니다. 컨텍스트는 1M 토큰입니다. Reflection API의 출력은 131,072 토큰이며, 기본 예산은 추론을 포함해 32,768 토큰이고 노력 수준 기본값은 max입니다. 베타의 일일 허용량은 공개되지 않았으며, 환각률이 47%이므로 답변을 확인해야 합니다.
좋은 점
- Apache 2.0이며 증류와 출력 기반 학습을 명시적으로 허용
- Artificial Analysis 작업당 출력 토큰 약 26k로 K2 Horizon의 절반
- Artificial Analysis 기준 중앙값 초당 364 토큰
- 호스팅은 1M 토큰당 $0.24 / $0.98부터, Reflection API는 베타 동안 무료
아쉬운 점
- Artificial Analysis 30점으로 GLM-5.3과 MiMo-V2.6-Pro보다 약 15점 낮음
- AA-Omniscience 환각률 47%
- Terminal-Bench 4.0 3.0%, Coding Agent Index 28점
- 텍스트 전용이며 NVFP4 빌드도 B300 4장이 필요
추천 대상
미국 연구소의 대형 추론 모델을 Apache 2.0으로 쓰고 싶은 팀. 특히 작은 모델로 증류하거나, 출력 토큰이 비용의 대부분을 차지하는 비용 민감형 에이전트를 운영하려는 경우.
Beam 대안
Beam: 자주 묻는 질문
- Beam, 쓸 만한 가치가 있습니까?
- Beam은 진정으로 열린 라이선스를 갖춘 미국 오픈 모델 중 가장 강력하며, 토큰 절약도 실제로 확인됩니다. 하지만 비교 대상인 중국 오픈 모델들은 여전히 점수가 한참 높습니다. 평점은 5점 만점에 3.8점입니다.
- Beam의 가격은 얼마입니까?
- Apache 2.0으로 가중치 무료. Reflection API는 일일 한도가 있는 공개 베타로 무료. 호스팅: Together AI와 Baseten은 1M 토큰당 입력 $0.40 / 캐시 $0.04 / 출력 $1.20, OpenRouter는 $0.24 / $0.98부터.
- Beam의 단점은 무엇입니까?
- Artificial Analysis 30점으로 GLM-5.3과 MiMo-V2.6-Pro보다 약 15점 낮음; AA-Omniscience 환각률 47%; Terminal-Bench 4.0 3.0%, Coding Agent Index 28점; 텍스트 전용이며 NVFP4 빌드도 B300 4장이 필요.
- Beam에 적합한 사람은 누구입니까?
- 미국 연구소의 대형 추론 모델을 Apache 2.0으로 쓰고 싶은 팀. 특히 작은 모델로 증류하거나, 출력 토큰이 비용의 대부분을 차지하는 비용 민감형 에이전트를 운영하려는 경우.
- 팀이나 프로덕션 환경에서 Beam의 비용은 얼마입니까?
- 월 입력 10억(1 billion), 출력 1억(100 million) 토큰은 Together AI나 Baseten에서 약 $520, Nebius에서 약 $350입니다. 자체 호스팅에는 KV 캐시를 빼고도 NVFP4 273 GiB, FP8 468.72 GiB, BF16 933.81 GiB가 필요합니다.
- Beam에 회사 데이터를 맡겨도 안전합니까?
- Apache 2.0이며, Reflection의 Usage Policy를 함께 따를 것을 권장합니다. Reflection API에서는 각 응답의 reflection-data-retention 헤더가 zero, standard, contributor 보존 중 무엇인지 알려 줍니다. 요청을 학습에 쓸 수 있는 것은 조 직이 수락해야 하는 contributor 조건뿐입니다.
- Beam의 가장 좋은 대안은 무엇입니까?
- 저희가 리뷰한 것 중 가장 가까운 대안은 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 및 Qwen3.8-27B입니다.
답변 확인일: 2026년 10월 26일.