Reflection Beam : ce qu’est réellement le modèle à poids ouverts 501B, et ce qui manque encore

Reflection Beam est le premier modèle de langage de Reflection, le laboratoire new-yorkais fondé en 2024 par deux anciens chercheurs de DeepMind, Misha Laskin et Ioannis Antonoglou, et dont la mission déclarée est de « rendre l’intelligence ouverte et accessible à tous ». Beam est un modèle à mélange d’experts clairsemé avec 501 milliards de paramètres au total qui en active 23 milliards par token, annoncé le 5 octobre 2026 et présenté pour le codage, le raisonnement et le travail agentique. Il est aussi, depuis le 13 octobre 2026, seulement à moitié publié : l’annonce le qualifie de modèle à poids ouverts, l’annonce promet des poids Apache 2.0, et les poids ne sont pas encore sortis.

Cet écart est la chose à laquelle s'accrocher si vous êtes arrivé ici après avoir cherché le nom du modèle et que vous voulez savoir si vous pouvez en faire quelque chose. La réponse courte est : pas via les poids, pas encore, et sur aucune liste de prix. La réponse longue, c'est le reste de cette page — ce qu'est Beam, ce à quoi Reflection s'est engagé, ce à quoi le chiffre de 501B en circulation fait réellement référence, et ce que le dossier public soutient ou ne soutient pas. Chaque chiffre ci-dessous est attribué à une source, et aucun d'entre eux n'a été reproduit de manière indépendante.

La version courte

• Ce qu'il est — un modèle de texte à Mixture-of-Experts creux, 501 B de paramètres au total, 23 B actifs par token, conçu pour le codage, le raisonnement et les charges de travail agentiques.

• Qui le publie — Reflection, fondée en 2024 par Misha Laskin et Ioannis Antonoglou et dont le siège est à New York. Beam est son premier modèle.

• Annoncé — 5 octobre 2026. Les tableaux de benchmarks figurant dans l'annonce ont été révisés le 8 octobre 2026.

• Poids — non publiés. Reflection déclare qu'il « publiera les poids sous licence Apache 2.0 » et que les poids, le rapport technique, la fiche du modèle et les artefacts destinés aux développeurs arriveront « plus tard ce mois-ci ». Aucun n'était disponible au 13 octobre 2026.

• Accès dès aujourd’hui — un aperçu pour « un ensemble limité d’utilisateurs », via une liste d’attente sur platform.reflection.ai. Aucun parcours en libre-service, aucun tarif publié, aucun téléchargement.

• Évaluation indépendante — aucune. Aucun harnais tiers n'a évalué Beam, et il n'y a pas d'entrée pour celui-ci sur le classement d'Artificial Analysis.

Ce que Reflection dit que Beam est

La forme de Beam est le gros titre. Reflection le décrit comme un « modèle Mixture-of-Experts clairsemé avec 501 milliards de paramètres au total, 23 milliards actifs » — un ratio d'activation d'environ 4,6 %, ce qui est agressif même pour les standards du domaine actuel des modèles à poids ouverts. Les notes d'architecture dans l'article de lancement mentionnent une attention locale et globale entrelacée, des experts routés à grain fin, un flux résiduel contrôlé, SandwichNorm, un portail d'attention élément par élément et une accumulation résiduelle en FP32, avec un équilibrage de charge sans perte auxiliaire plus une décroissance cosinus des mises à jour du biais des experts.

Rien de tout cela n’est exotique en soi. Ce que cela donne, c’est un profil de service : 23 milliards de paramètres actifs, c’est un modèle qui peut plausiblement s’exécuter avec une latence interactive sur un nombre relativement faible de GPU, ce qui en fait un produit différent d’un modèle dense de 501 milliards de paramètres, même si le nombre inscrit sur la fiche est identique. C’est pourquoi Reflection peut parler d’un raisonnement proche de celui des modèles de pointe sans parler d’un déploiement à l’échelle d’un centre de données — et pourquoi la publication éventuelle des poids compte davantage que la clé bêta.

« 501B » est-il le bon numéro ? Oui — et il n'a pas bougé

Cela mérite d'être dit clairement, car ce chiffre circule à plusieurs endroits et les lecteurs se demandent légitimement s'il est à jour. La répartition 501B au total / 23B actifs est ce que dit l'article de lancement de Reflection lui-même, c'est ce que dit le titre de la page d'accueil de reflection.ai, et elle reste inchangée à la date du 13 octobre 2026. La seule mise à jour que Reflection a publiée depuis le lancement est une note indiquant « Mise à jour 10/8/26 : Nous avons mis à jour les résultats de Beam, et les tableaux ci-dessus reflètent les derniers chiffres » — une révision des tableaux de benchmarks, et non de l'architecture ou du nombre de paramètres.

Ce que le nombre de paramètres n'a pas, c'est une fiche modèle derrière lui. Reflection a déclaré qu'une fiche modèle arrivait ; elle n'a pas dit quand, au-delà de « plus tard ce mois-ci », et il n'y a aucun dépôt public sous l'organisation de Reflection sur Hugging Face à ce jour (« None public yet » est la chaîne littérale sur la page de l'organisation). Donc 501B est un chiffre annoncé par le fournisseur, correct pour autant que quiconque puisse le vérifier, et pas encore vérifiable par rapport aux poids.

Contexte, modalités et sortie maximale

Ici, la documentation du fournisseur est plus mince que les tableaux de référence, et il vaut la peine d'être précis sur quel chiffre correspond à quoi, car les deux chiffres de contexte en circulation signifient des choses différentes.

• Contexte effectif — l’entraînement intermédiaire « étend la longueur de contexte effective de Beam à 1 M de tokens ». Il s’agit d’une déclaration sur ce que le modèle a été entraîné à gérer.

• Contexte de rollout RL — l'étape d'apprentissage par renforcement a utilisé « une longueur de contexte maximale de 256K tokens ». Il s'agit d'une affirmation sur la configuration d'entraînement.

• Limite de service — non publiée. Le billet de lancement ne donne pas de fenêtre de contexte d'API, et le point de terminaison se trouve derrière une liste d'attente, il n'existe donc pas de second document permettant de vérifier. Un lecteur qui souhaite connaître aujourd'hui un chiffre de contexte d'API n'en dispose pas.

• Sortie maximale — non publiée. La réflexion n'en indique aucune.

• Modalités — entrée texte, sortie texte. Le post de lancement est explicite : « Bien que Beam soit uniquement textuel », le modèle gère d’autres modalités lorsqu’elles sont représentées sous forme de texte. Il n’y a aucune entrée image, audio ou vidéo, et le nom ne donne aucune raison de s’attendre à autre chose.

La distinction entre le chiffre de 1M à l'entraînement et une limite de service non publiée est le genre de chose qui se trouve aplatie dans les reprises de seconde main, et c'est important : une capacité au moment de l'entraînement n'est pas une promesse sur ce qu'un point de terminaison acceptera.

Poids, licence et la revendication du « premier modèle ouvert »

Le positionnement de Reflection est que Beam est un modèle véritablement ouvert plutôt qu’une API à laquelle on a accolé un adjectif marketing. L’engagement est précis : « nous publierons les poids sous une licence Apache 2.0 », ainsi que « la documentation et la stack complète pour exécuter, évaluer et affiner le modèle ». Une phrase distincte dans le même billet indique que les poids, le rapport technique, la fiche de modèle et les artefacts pour développeurs suivront « plus tard ce mois-ci ».

Deux choses sont vraies en même temps ici. Apache 2.0 est une véritable licence permissive, utilisable à des fins commerciales — si elle est distribuée comme décrit, c’est une position nettement plus solide qu’une licence limitée à la recherche ou une licence communautaire sur mesure. Et une promesse de licence n’est pas une licence. À la date du 13 octobre 2026, les poids n’ont pas été distribués ; ce qui existe est donc une intention déclarée, et non un état de fait. Le billet de lancement décrit également la version actuelle comme un aperçu destiné à un ensemble restreint d’utilisateurs, et indique que le modèle est en phase de « red-teaming et d’évaluations finaux ».

Le signal de demande qui sous-tend cette page mérite une phrase, car il explique pourquoi la question revient sans cesse : les gens recherchent le nom du modèle en même temps que les noms des modèles d'autres laboratoires — Beam plus une entreprise chinoise de modèles à poids ouverts, Beam plus un grand modèle chinois à poids ouverts — ce qui relève de la spéculation sur ce dont Beam dérive. Reflection ne documente aucun modèle de base. Le billet de lancement décrit un préentraînement mené de zéro : 23,8 billions de tokens sur 6 144 GPU GB300 NVL72 en moins de quatre semaines, suivi d'une phase de RL utilisant 10 500 GB300 pendant quatre semaines, plus de 100 millions de rollouts et environ 1,3 milliard de sandboxes. Aucun checkpoint de base n'y est nommé. Si vous avez lu que Beam est un fine-tuning de quelque chose d'autre, les propres documents du fournisseur ne l'étayent pas.

Ce que Reflection affirme, et ce que n’importe qui d’autre a mesuré

Tout dans cette section est déclaré par le fournisseur. Les tableaux de benchmark de l’article de lancement ont été révisés le 8 octobre 2026 et aucun tiers n’a reproduit un seul chiffre y figurant.

• Codage agentique — SWE-Bench Verified 80.9, SWE-Bench Pro v2-Hard 77.2, SWE-Bench Pro v1 65.5, Terminal-Bench v2.1 80.1, DeepSWE v1.1 44.4, SWE-Bench Multilingual 78.0, SWE Atlas Codebase QnA 34.6.

• Raisonnement — AIME 2026 97,8, GPQA Diamond 90,5, HLE sans outils 36,2, SciCode 49,7, CriPT AA 16,3.

• Utilisation d’outils et recherche — MCP Atlas 78,7, BrowseComp 77,4, DeepSearchQA 80,1, AutomationBench 37,0, tau3 banking 38,0.

• Général et contexte long — AA-LCR 79,3, LongBench v2 65,5, IFBench 79,7, AA Omniscience 13,0.

La manière dont Reflection présente elle-même ces chiffres est prudente, et mérite d'être reprise plutôt que rehaussée : elle y positionne Beam comme « compétitif avec des modèles ouverts plus grands comme GLM 5.2 et se rapprochant de Qwen 3.8-Max », indique que Beam égale GLM-5.2 en raisonnement tout en utilisant « 3 à 4 fois moins de calcul d'inférence », et reconnaît que Kimi K3 garde l'avantage en capacités brutes. Cette affirmation d'efficacité est étayée dans l'article par un graphique qui trace le score de raisonnement en fonction des FLOPs d'inférence estimés, ces FLOPs étant approximés comme environ le double du nombre de paramètres actifs multiplié par le nombre de tokens générés. La légende le dit, et l'approximation exclut délibérément le prefill, l'attention et les surcoûts de service. Reflection qualifie le résultat de « comparaison approximative de calcul plutôt que de coût d'inférence mesuré ».

Indépendamment : rien. Il n’y a pas de ligne Artificial Analysis pour Beam, pas de placement en arène, et aucun résultat de harnais tiers que nous ayons pu trouver. Là où Beam et son ensemble de comparaison n’ont pas été comparés en face à face à effort de raisonnement et harnais appariés — ce qui est le cas pour chaque paire —, cette page n’implique aucun classement. Les tableaux ci-dessus sont les chiffres d’un laboratoire sur son propre modèle.

Pouvez-vous l’utiliser, et combien cela coûterait-il ?

Pas selon des conditions publiées. L’accès se fait par liste d’attente : le post de Reflection indique que l’accès anticipé est réservé à un ensemble limité d’utilisateurs, et la console de la plateforme se trouve derrière un mur d’inscription. Aucun prix publié nulle part sur les propres propriétés de Reflection — ni dans le post de lancement, ni sur la page d’accueil, ni dans quoi que ce soit qu’un lecteur puisse atteindre sans compte. Tout montant en dollars que vous voyez actuellement associé à Reflection Beam est une estimation de quelqu’un, pas un prix catalogue.

Reflection décrit bien la surface de l’endpoint à un niveau élevé : une API compatible OpenAI avec un paramètre d’effort de raisonnement, où « les réglages plus faibles privilégient des réponses plus courtes, tandis que les réglages plus élevés autorisent un raisonnement plus long ». Les valeurs que ce paramètre accepte ne sont pas publiées dans les documents de lancement, et comme la fiche du modèle n’est pas encore disponible, il n’existe pas de seconde source pour les vérifier.

Pour les lecteurs qui sont ici parce qu'ils veulent un modèle de raisonnement efficace à appeler cette semaine, la solution pratique est celle qui ne dépend pas de la livraison de quoi que ce soit par Beam. Les modèles auxquels Beam est comparé — GLM 5.2, Kimi K3 et Qwen 3.8-Max — sont tous disponibles dès aujourd'hui sur OrcaRouter, avec une seule clé compatible OpenAI, et les tarifs catalogue des fournisseurs y sont répercutés sans marge (0 %) : GLM 5.2 à 1,40 $ par million de tokens en entrée et 4,40 $ par million de tokens en sortie (1,40 $/4,40 $, relevés sur notre propre page modèle le 13 octobre 2026), Qwen 3.8-Max à 2,00 $/6,00 $, et Kimi K3 à 3,00 $/15,00 $. Comme il n'y a pas de marge, une baisse de prix décidée par un fournisseur se répercute sur votre facture le jour même de son annonce, et non au prochain renouvellement de contrat. Si ce qui vous pousse à suivre Beam est l'argument d'efficacité plutôt que les poids, la position honnête est que vous pouvez mesurer l'alternative dès aujourd'hui, tandis que vous ne pouvez pas mesurer Beam du tout.

Ce qu’il faut surveiller, et quand les chiffres deviennent vérifiables

Trois choses changeraient cette page, et toutes trois sont datables lorsqu'elles se produisent. La publication des poids sur Hugging Face sous la licence indiquée est la première — c'est l'événement qui transforme une affirmation de 501B en quelque chose que vous pouvez télécharger, quantifier, affiner et benchmarker vous-même. Le rapport technique et la fiche de modèle sont la deuxième, car c'est là que seraient normalement documentés une fenêtre de contexte de service, une sortie maximale et les valeurs d'effort de raisonnement ; leur absence explique pourquoi trois des lignes de spécifications ci-dessus indiquent « non publié » plutôt que de porter un chiffre. Une évaluation indépendante est la troisième, et c'est la seule qui permettrait à quiconque en dehors de Reflection de dire si 23B de paramètres actifs permettent vraiment d'obtenir les scores de raisonnement que revendique le post de lancement.

D'ici là, le résumé fidèle est bref. Reflection Beam est un MoE épars de 501 B de paramètres avec 23 B actifs, annoncé le 5 octobre 2026, texte uniquement, avec un aperçu sur liste d'attente, aucun prix publié, aucune limite de service publiée, aucun score indépendant, et une publication des poids sous Apache 2.0 promise pour « plus tard ce mois-ci » et qui n'a pas eu lieu. Ce n'est pas une critique du modèle — c'est une description de l'état d'avancement réel de la publication.