Servir Beam 1.0 au jour zéro : ce que la recette SGLang fixe réellement

Un checkpoint que l'on peut télécharger n'est pas un modèle que l'on peut déployer, et la distance entre les deux se mesure normalement en semaines de travail sur les frameworks, effectué par celui qui est assez impatient de s'y atteler. Reflection Beam 1.0 est le rare cas où ce travail est arrivé avec les poids. Reflection a annoncé le modèle le 5 octobre 2026 ; le 16 octobre 2026, les poids, la licence Apache 2.0, un endpoint first-party et un support dès le jour zéro sur sept piles d'inférence ont tous débarqué en même temps, et l'une de ces piles — SGLang, dont le compte du projet lui-même a déclaré le 16 qu'il sert Beam en production chez Reflection — a livré une recette suffisamment détaillée pour prêter à discussion.

Cette recette est l’artefact intéressant, plus que le tableau de benchmarks. Un article de lancement vous dit qu’un modèle est bon. Une matrice de déploiement vous dit ce qu’il en coûte pour le découvrir, et où les choix que vous faites détermineront discrètement votre latence. La documentation SGLang de Reflection Beam 1.0 est un générateur : vous choisissez une plateforme matérielle et une stratégie, et il émet une commande Docker épinglée. Les options qu’il vous impose constituent la véritable information pour quiconque compte l’exécuter plutôt que de l’appeler.

Les trois axes que la recette refuse de cacher

La page demande la plateforme matérielle, la stratégie et la quantification, puis elle construit la commande. C'est un espace de décision plus restreint que ne l'admettent la plupart des sorties de modèles, et chaque axe a une conséquence bien réelle :

• Plateforme matérielle — B300, GB300 ou H200. Les puces Blackwell prennent nativement la build NVFP4 ; le H200 est la voie FP8 et BF16. C'est le même socle que décrivent les notes de version de Reflection, reformulé sous forme de menu déroulant.

• Stratégie — faible latence ou débit élevé, et c'est l'axe sur lequel la plupart des déploiements se trompent par défaut. La faible latence exécute le parallélisme tensoriel avec le drafter DFlash2 activé à une taille de bloc de 8. Le débit élevé désactive entièrement DFlash2.

• Quantification — NVFP4, FP8 ou BF16, qui doivent s'aligner sur la plateforme et la stratégie plutôt que d'être librement combinables.

Les deux préréglages de stratégie ne sont pas un curseur de performance, ils constituent un changement d’algorithme. Le décodage spéculatif échange de la latence de décodage contre un travail supplémentaire du modèle de brouillon à chaque étape ; avec une taille de bloc de 8 et un modèle de brouillon de 1,93 B de paramètres, ce compromis vaut la peine d’être accepté lorsque vous servez un utilisateur à la fois, et il vaut mieux le refuser lorsque vous traitez des lots de manière agressive. Désactiver DFlash2 pour la recette à haut débit n’est pas une régression, c’est la bonne réponse à une question différente.

Là où les recettes cessent d'être interchangeables

Allez au-delà des préréglages : la page documente une poignée de fractionnements de configuration qui existent pour des raisons matérielles concrètes, et ils valent la peine d’être connus avant que vous copiiez la première commande Docker que vous voyez :

• H200 BF16 s'exécute en TP8 avec une fraction de mémoire statique automatique. Le checkpoint BF16 de 933,81 GiB ne tient pas sur un nombre inférieur d'appareils, et la fraction de mémoire est calculée plutôt qu'exposée — ce qui signifie qu'il s'agit de la seule recette que vous ne pouvez pas ajuster à la main sans sortir de la voie prise en charge.

• Toutes les autres recettes utilisent le parallélisme tensoriel ainsi que DPA. Ici, DPA est la disposition d’attention en parallèle de données qui découple l’attention de la répartition en parallèle d’experts, et c’est pourquoi les recettes non-BF16 tolèrent des nombres d’appareils que celle en BF16 ne tolère pas.

• Blackwell NVFP4 permet en outre le parallélisme d'experts et FlashInfer MegaMoE. C'est la combinaison vers laquelle pointent les propres guides de Reflection, et elle ne devient disponible qu'une fois que le checkpoint est le build packagé 4 bits à 273 GiB plutôt que FP8 à 468,72 GiB.

La conséquence pratique : « nous exécutons Beam 1.0 sur SGLang » n'est pas une déclaration sur le matériel. Deux équipes peuvent le dire tout en utilisant des précisions différentes, des schémas de parallélisme différents et des algorithmes de décodage différents, et la seule façon de comparer leurs notes est de nommer les trois.

Ce que vaut « jour zéro », et ce qu'il n'est pas

Le support d'un framework le jour de la sortie des poids est un véritable signal, et c'est un type de signal bien précis. Le support de Beam 1.0 par SGLang existe parce que les ingénieurs de Reflection ont travaillé avec la communauté SGLang en amont de la sortie — c'est ce que le projet SGLang a déclaré publiquement le 16 octobre, et cela concorde avec le fait que Reflection cite SGLang parmi ses partenaires « day-zero » aux côtés de Transformers, vLLM, Unsloth, Axolotl, TokenSpeed et NVIDIA Dynamo, avec des recettes écrites pour SGLang, vLLM et TokenSpeed, ainsi qu'un chart Helm pour Kubernetes.

• Ce que cela établit — un chemin documenté et maintenu, du point de contrôle publié jusqu’à un point de terminaison servi, sur du matériel nommé, en tenant compte des variantes de quantification. C’est véritablement plus que ce que la plupart des versions ouvertes parviennent à faire en une semaine.

• Ce que cela n’établit pas — que la configuration soit optimale, ni que les chiffres de débit que vous obtiendrez soient les mêmes que ceux de quiconque d’autre. L’affirmation de production chez Reflection est celle du fournisseur et du framework, rapportée par les personnes qui assurent le serving. Nous n’avons pas vu de reproduction indépendante de celle-ci, et aucun benchmark tiers d’un déploiement Beam auto-hébergé n’a été publié.

Cette distinction compte davantage ici que d'habitude, car il s'agit d'un mélange d'experts clairsemé de 501,3 milliards de paramètres, avec 23,4 milliards de paramètres actifs par token, et toute la valeur de l'architecture réside dans le fait que votre coût de service ne représente qu'une fraction du nom du modèle. La prise en charge par les frameworks est ce qui convertit cette affirmation d'un schéma d'architecture en budget mémoire. Elle ne la convertit pas en un chiffre de débit mesuré, et aucune source officielle que nous avons pu trouver ne publie un tel chiffre pour l'inférence — le seul chiffre concret de tokens par seconde dans la publication décrit un fine-tuning supervisé LoRA sur un seul nœud de 8 GPU B300, ce qui est une étape d'entraînement, pas un débit de service.

Le mode de défaillance qu'un stack auto-hébergé day-zero a réellement

Il y a une manière précise dont cela tourne mal, et ce n'est pas le modèle. C'est la deuxième semaine. Une image Docker épinglée, construite pour une quantification et une disposition de parallélisme données, ne constitue pas une solution de repli pour elle-même : si le drafter a une mauvaise interaction avec votre profil de trafic, si une mise à jour de pilote modifie ce que la fraction de mémoire alloue, ou si votre capacité est mise en file d'attente derrière un autre locataire, il ne vous reste plus de configuration vers laquelle vous replier — vous avez une panne dans laquelle se trouve un modèle très performant.

Beam 1.0 ne fait pas partie de nos routes, donc nous ne pouvons pas le servir pour vous, et rien ici ne doit être interprété comme une affirmation de notre part quant à sa disponibilité. Ce que nous pouvons faire, c'est placer la solution de repli à un endroit utile. OrcaRouter fait fonctionner une clé compatible OpenAI sur plus de 200 modèles, avec le prix catalogue du fournisseur répercuté sans rien ajouter, et un basculement automatique entre fournisseurs, de sorte qu'un pilote Beam auto-hébergé qui cesse de répondre représente un changement de routage plutôt qu'un incident. Les modèles qu'un déploiement Beam remplace le plus souvent, et qui sont accessibles de cette façon, sont accompagnés de grilles tarifaires publiées :

• GLM-5.2 — 1,40 $ par million de jetons d'entrée et 4,40 $ par million de jetons de sortie avec un contexte de 1 000 000 de jetons. Le modèle par rapport auquel l'affirmation d'efficacité de Reflection elle-même est mesurée, et le substitut le plus direct au travail de codage à long contexte de Beam.

• Kimi K3 — 3,00 $ par million de tokens en entrée, 0,30 $ pour les tokens en cache, 15,00 $ en sortie, avec une fenêtre de 1 048 576 tokens. Le billet de lancement de Reflection admet que K3 conserve une avance en matière de capacités brutes.

• Qwen3.8-Max — 2,00 $ par million de jetons en entrée et 6,00 $ en sortie pour une fenêtre de 1 000 000 de jetons, l'option propriétaire de gamme phare pour les équipes qui veulent la capacité sans le matériel.

Ce que la recette ne vous dit toujours pas

Trois lacunes méritent d’être nommées, car chacune correspond à une décision que vous finirez par prendre avec moins d’informations que vous ne le souhaiteriez.

Le premier est le prix. Le point de terminaison de Reflection est documenté et compatible avec OpenAI, avec des efforts de raisonnement max, xhigh, high, medium et low, un raisonnement obligatoire dont la valeur par défaut est max, et des limites par organisation partagées entre toutes les clés. Il n’a pas de tarif publié par million de jetons, si bien que l’analyse d’efficacité de Beam 1.0 ne peut pas être menée à son terme comme un simple exercice arithmétique. Un modèle qui raisonne toujours et dont l’effort par défaut est maximal constitue une proposition commerciale différente selon que le jeton de sortie est facturé un dollar ou dix.

Le second est une mesure indépendante. Artificial Analysis répertorie le modèle avec un Intelligence Index de 30, aucun chiffre de vitesse et aucun prix, et ne recense aucune API publiquement disponible pour celui-ci — ce qui constitue une déclaration tierce indiquant que la surface hébergée n’est pas encore visible pour les personnes qui mesurent ces choses. Son unique point de données d’efficacité compté indépendamment est réel : Beam a généré 79 M de tokens de sortie sur l’Intelligence Index d’AA, contre une médiane de 130 M pour l’ensemble de comparaison. Cela soutient l’affirmation de « moins de tokens de raisonnement ». Cela ne vous dit pas à quelle vitesse les tokens sortent.

Le troisième point est la dérive des versions. Les recettes publiées sont écrites pour un checkpoint précis et une version précise de SGLang, et le drafter possède son propre dépôt. Quand l’un ou l’autre évolue, la recette que vous avez épinglée en octobre est une configuration que personne n’a testée en novembre. Considérez la commande Docker comme un point de départ avec une date d’expiration, pas comme un déploiement.

Qui devrait agir maintenant, et qui devrait attendre ?

Si vous disposez déjà de la capacité Blackwell, la recette SGLang suffit vraiment pour démarrer : quatre B300s constituent la configuration NVFP4 de référence, le calcul de mémoire est publié, la suite de conformité existe, et le risque est limité au temps d’ingénierie. Si vous ne disposez pas du matériel, le calcul ne tient toujours pas, car l’option hébergée n’a pas de grille tarifaire à comparer à un achat de matériel — et la prise en charge des frameworks dès le premier jour, aussi bonne soit-elle, ne remplace pas un prix.

Ce qu’il faut surveiller, ce n’est pas un nouveau framework qui annonce son support. C’est le premier chiffre publié qui ne provienne ni de Reflection ni d’un projet de framework : une mesure indépendante de débit sur une configuration nommée, ou une grille tarifaire sur le point de terminaison propriétaire. L’un ou l’autre fait passer ceci du statut d’expérience bien documentée à celui de ligne budgétaire. D’ici là, la bonne lecture du 16 octobre est que l’ingénierie exigeante a été livrée dans les délais — et que le dossier commercial est la partie encore en construction.

Rien de tout cela n'est hypothétique : les défaillances documentées de l'IA et les incidents d'agents qui sous-tendent des versions comme celle-ci sont recueillis dans l'OrcaRouter AI Incident Archive, où chaque entrée est accompagnée de ses propres sources, de son niveau de gravité, de son degré de confiance et de son indicateur de contestation.