O que é Beam?
O Beam é o primeiro modelo de pesos abertos da Reflection, o laboratório de Nova York fundado em 2024 pelos ex-pesquisadores do Google DeepMind Misha Laskin e Ioannis Antonoglou. A Reflection o anunciou em 5 de outubro de 2026 e publicou os pesos no Hugging Face em 16 de outubro sob a licença Apache 2.0, em BF16, FP8 e NVFP4, com um modelo de rascunho DFlash2 de 1,93B de parâmetros para decodificação especulativa. O ID completo do modelo é Beam-1.0-501B-A23B.
É um modelo mixture-of-experts só de texto com 501,3 bilhões de parâmetros, dos quais 23,4 bilhões ficam ativos por token (8 de 256 experts), contexto de 1M tokens e corte de conhecimento em 30 de junho de 2026. O raciocínio está sempre ligado, com cinco níveis de esforço, de low a max. Ele usa uma versão modificada do formato de chat harmony da OpenAI e foi desenvolvido principalmente para inglês.
A API da própria Reflection é um beta público gratuito com limites diários de uso e sem preço publicado para depois do beta. Os endpoints hospedados vão de US$ 0,24 por milhão de tokens de entrada e US$ 0,98 por milhão de saída no OpenRouter, e a Together AI e a Baseten cobram US$ 0,40 / US$ 1,20.
Beam vale a pena?
O argumento do Beam se apoia na eficiência, não na capacidade bruta. A Artificial Analysis lhe dá 30 no seu Intelligence Index, segundo entre os modelos de pesos abertos dos EUA, atrás do Muse Spark Open da Meta (39) e à frente do Nemotron 3.5 Super VL da NVIDIA (26), mas apenas décimo entre todos os modelos abertos. Os líderes chineses estão um degrau acima: o MiMo-V2.6-Pro marca 46, o GLM-5.3 45 e o Kimi K3 44 no mesmo índice. O próprio post de lançamento da Reflection admite que o Kimi K3 está à frente em capacidade bruta.
O que ele faz melhor é terminar uma tarefa com menos palavras. A Artificial Analysis conta cerca de 26.000 tokens de saída por tarefa do índice, metade dos 52.000 do K2 Horizon dos Emirados Árabes Unidos, que marca um ponto a mais, e mediu 364,3 tokens de saída por segundo, segundo de 78 modelos da sua classe. Rodar o índice inteiro custou US$ 0,23 por tarefa. A Reflection alega notas comparáveis às do GLM-5.2 com três a quatro vezes menos computação de inferência, mas esse número é uma estimativa própria a partir dos parâmetros ativos e dos tokens gerados, não uma medi ção.
Os números autodeclarados no model card são fortes: 81,6% no SWE-bench Verified, 80,1% no Terminal Bench v2.1 e 90,6% no GPQA Diamond. Os testes independentes são menos generosos com programação agêntica. A Artificial Analysis registra 3,0% no Terminal-Bench 4.0, atrás do Qwen3.8 27B (5,6%), e no próprio harness Mirror da Reflection o Beam marca 28 no Coding Agent Index, 15 pontos atrás da configuração seguinte e 40 atrás dos líderes. A sua taxa de alucinação no AA-Omniscience é de 47%, contra 30% do Qwen3.8 27B, embora ele responda corretamente a mais perguntas (33%).
A licença é o argumento mais forte a favor dele. A Apache 2.0 não tem teto de receita nem regra de atribuição, enquanto o Muse Spark Open exige atribuição em cada produto e um acordo separado para grandes provedores de modelo como serviço, e o model card permite explicitamente destilação e treinamento com as suas saídas. A Artificial Analysis também o coloca no topo dos modelos abertos dos EUA no seu Cyber Index, com 34%. A documentação da Reflection mostra o uso mais prático dessa liberdade: ensinar um modelo pequeno como o Gemma 4 E4B a raciocinar brevemente antes de chamar ferramentas, o que reduziu os tokens de saída desse modelo em 45% no exemplo da Reflection.
Auto-hospedar não é pouca coisa. Só o checkpoint NVFP4 tem 273 GiB, e os guias de serving da Reflection pressupõem quatro GPUs NVIDIA B300 em NVLink. Para uma equipe que precisa de um modelo de raciocínio americano, sob licença Apache, maior que o gpt-oss-120b, o Beam é o candidato óbvio; para uma equipe que só precisa do melhor modelo aberto por dólar, o GLM-5.3 e o MiMo-V2.6-Pro ainda marcam cerca de 15 pontos a mais.
Onde ele se destaca
Uma equipe de ML em uma empresa de software dos EUA cujo jurídico bloqueia modelos de origem chinesa
Destilar um grande modelo de raciocínio em um pequeno que rode em hardware barato
A Apache 2.0 e a permissão explícita do model card para treinamento com as saídas fazem do Beam um professor sem pendências. A receita TRL da Reflection faz fine-tuning do Gemma 4 E4B com conversas de chamada de ferramentas cujo raciocínio foi escrito pelo Beam, relatando 45% menos tokens de saída e 3,7 pontos a mais no BFCL v4 em uma execução de 14 a 19 minutos em um único nó.
Uma equipe de plataforma que roda agentes de pesquisa e automação por uma API hospedada
Manter baixa a conta de tokens de saída em cargas longas de raciocínio
A Artificial Analysis coloca o Beam a US$ 0,23 por tarefa do índice, ajudado por cerca de 26.000 tokens de saída por tarefa. Um mês de 1 bilhão de tokens de entrada e 100 milhões de saída custa cerca de US$ 520 na Together AI a US$ 0,40 / US$ 1,20, ou cerca de US$ 350 pela Nebius no OpenRouter a US$ 0,25 / US$ 1,00, antes dos acertos de cache.
Um desenvolvedor avaliando modelos abertos para um agente de programação
Decidir se o Beam é bom o bastante para substituir um modelo de programação pago
Comece pela API beta gratuita da Reflection ou pelo Mirror CLI e depois compare com o seu modelo atual nos seus próprios repositórios. Espere uma diferença: a Artificial Analysis dá ao Beam 28 no seu Coding Agent Index e 3,0% no Terminal-Bench 4.0, bem abaixo dos 80,1% autodeclarados pela Reflection no Terminal Bench v2.1.
Antes de decidir
- Configuração
- A API compatível com OpenAI da Reflection em api.reflection.ai/openai/v1 com o modelo Beam-1.0-501B-A23B, ou o Mirror CLI para programação no terminal. A auto-hospedagem tem receitas documentadas de SGLang, vLLM e TokenSpeed em quatro GPUs B300, além de um Helm chart para Kubernetes.
- Integrações
- Chamada de ferramentas, saídas estruturadas e esforço de raciocínio na API da Reflection e no OpenRouter. Os hosts incluem Together AI, Baseten, Nebius, CoreWeave, DigitalOcean e Io Net no OpenRouter, AWS SageMaker e Google Cloud Model Garden; Azure e Oracle aparecem como em breve.
- Dados e privacidade
- Apache 2.0, com a Usage Policy da Reflection recomendada em conjunto. Na API da Reflection, o header reflection-data-retention de cada resposta informa retenção zero, padrão ou de contribuidor; apenas os termos de contribuidor, que uma organização precisa aceitar, permitem treinamento com as suas requisições.
- Custo em escala
- 1 bilhão de tokens de entrada e 100 milhões de saída por mês custam cerca de US$ 520 na Together AI ou na Baseten e cerca de US$ 350 na Nebius. Auto-hospedar exige 273 GiB em NVFP4, 468,72 GiB em FP8 ou 933,81 GiB em BF16 antes de qualquer cache KV.
- Limites
- Só texto. Contexto de 1M tokens; 131.072 tokens de saída na API da Reflection, onde o orçamento padrão é de 32.768 tokens incluindo o raciocínio e o esforço padrão é max. As cotas diárias do beta não são publicadas, e uma taxa de alucinação de 47% significa que as respostas precisam ser verificadas.
O que é bom
- Apache 2.0, com destilação e treinamento com as saídas explicitamente permitidos
- Cerca de 26 mil tokens de saída por tarefa da Artificial Analysis, metade do K2 Horizon
- Mediana de 364 tokens por segundo na Artificial Analysis
- Hospedado a partir de US$ 0,24 / US$ 0,98 por 1M de tokens; API da Reflection gratuita no beta
O que não é
- Marca 30 na Artificial Analysis, cerca de 15 abaixo do GLM-5.3 e do MiMo-V2.6-Pro
- Taxa de alucinação de 47% no AA-Omniscience
- 3,0% no Terminal-Bench 4.0 e 28 no Coding Agent Index
- Só texto; o build NVFP4 ainda precisa de quatro B300
Ideal para
Equipes que querem um grande modelo de raciocínio de um laboratório dos EUA sob Apache 2.0, especialmente para destilar em modelos menores ou para rodar agentes sensíveis a custo em que os tokens de saída dominam a conta.
Alternativas ao Beam
Beam: perguntas frequentes
- Beam vale a pena?
- O Beam é o modelo aberto americano mais forte com uma licença realmente aberta, e a sua economia de tokens é real, mas os modelos abertos chineses com que ele é comparado ainda marcam bem mais. Damos nota 3.8 de 5.
- Quanto custa Beam?
- Pesos Apache 2.0 gratuitos. API da Reflection gratuita em beta público com limites diários. Hospedado: Together AI e Baseten a US$ 0,40 de entrada / US$ 0,04 em cache / US$ 1,20 de saída por 1M de tokens; OpenRouter a partir de US$ 0,24 / US$ 0,98.
- Quais são as desvantagens de Beam?
- Marca 30 na Artificial Analysis, cerca de 15 abaixo do GLM-5.3 e do MiMo-V2.6-Pro; taxa de alucinação de 47% no AA-Omniscience; 3,0% no Terminal-Bench 4.0 e 28 no Coding Agent Index; só texto; o build NVFP4 ainda precisa de quatro B300.
- Para quem Beam é indicado?
- Equipes que querem um grande modelo de raciocínio de um laboratório dos EUA sob Apache 2.0, especialmente para destilar em modelos menores ou para rodar agentes sensíveis a custo em que os tokens de saída dominam a conta.
- Quanto custa Beam para uma equipe ou em produção?
- 1 bilhão de tokens de entrada e 100 milhões de saída por mês custam cerca de US$ 520 na Together AI ou na Baseten e cerca de US$ 350 na Nebius. Auto-hospedar exige 273 GiB em NVFP4, 468,72 GiB em FP8 ou 933,81 GiB em BF16 antes de qualquer cache KV.
- Beam é seguro para dados da empresa?
- Apache 2.0, com a Usage Policy da Reflection recomendada em conjunto. Na API da Reflection, o header reflection-data-retention de cada resposta informa retenção zero, padrão ou de contribuidor; apenas os termos de contribuidor, que uma organização precisa aceitar, permitem treinamento com as suas requisições.
- Quais são as melhores alternativas ao Beam?
- As alternativas mais próximas que analisamos são 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 e Qwen3.8-27B.
Respostas verificadas em 26 de out. de 2026.