Reflection Beam: cos'è davvero il modello open-weight 501B, e cosa manca ancora

Reflection Beam is the first language model from Reflection, the New York lab founded in 2024 by two former DeepMind researchers, Misha Laskin and Ioannis Antonoglou, and one whose stated mission is to "make intelligence open and accessible to all." Beam is a sparse mixture-of-experts model with 501 billion total parameters that wakes 23 billion of them per token, announced on 5 October 2026 and pitched at coding, reasoning and agentic work. It is also, as of 13 October 2026, only half-released: the announcement calls it an open-weight model, the announcement promises Apache 2.0 weights, and the weights are not out.

Quel divario è la cosa a cui aggrapparsi se sei arrivato qui da una ricerca del nome del modello e vuoi sapere se puoi farci qualcosa. La risposta breve è: non tramite i pesi, non ancora, e non su nessun listino prezzi. La risposta lunga è il resto di questa pagina — cos'è Beam, a cosa si è impegnata Reflection, a cosa si riferisce in realtà la cifra di 501B in circolazione, e cosa il registro pubblico supporta e cosa no. Ogni cifra riportata di seguito è attribuita a una fonte, e nessuna di esse è stata riprodotta in modo indipendente.

La versione breve

• Che cos'è — un modello testuale Mixture-of-Experts sparso, 501B parametri totali, 23B attivi per token, progettato per il coding, il reasoning e carichi di lavoro agentici.

• Chi lo pubblica — Reflection, fondata nel 2024 da Misha Laskin e Ioannis Antonoglou e con sede a New York. Beam è il suo primo modello.

• Annunciato — 5 ottobre 2026. Le tabelle di benchmark contenute nell'annuncio sono state riviste l'8 ottobre 2026.

• Pesi — non rilasciati. Reflection afferma che "rilascerà i pesi con licenza Apache 2.0" e che i pesi, il rapporto tecnico, la scheda del modello e gli artefatti per gli sviluppatori arriveranno "più avanti questo mese". Nessuno dei due era stato distribuito al 13 ottobre 2026.

• Accesso già oggi — un'anteprima per «un insieme limitato di utenti», tramite una lista d'attesa su platform.reflection.ai. Nessun percorso self-service, nessun prezzo pubblicato, nessun download.

• Valutazione indipendente — nessuna. Nessun harness di terze parti ha assegnato un punteggio a Beam, e non esiste alcuna voce per esso nella classifica di Artificial Analysis.

Quello che Reflection dice che Beam sia

La configurazione di Beam è la notizia principale. Reflection lo descrive come un «modello Mixture-of-Experts sparso con 501 miliardi di parametri totali, 23 miliardi attivi» — un rapporto di attivazione di circa il 4,6 per cento, aggressivo persino secondo gli standard dell'attuale panorama open-weight. Le note sull'architettura nel post di lancio citano attenzione locale e globale interlacciata, esperti instradati a grana fine, un flusso residuo controllato, SandwichNorm, gating dell'attenzione elementwise e accumulo residuo in FP32, con bilanciamento del carico senza perdita ausiliaria più decadimento coseno degli aggiornamenti del bias degli esperti.

Niente di tutto ciò è esotico di per sé. Nel complesso, si tratta di un profilo di servizio: un modello con 23 miliardi di parametri attivi può plausibilmente girare con latenza interattiva su un numero relativamente ridotto di GPU, il che è un prodotto diverso da un modello denso da 501 miliardi di parametri, anche se il numero sulla scheda è lo stesso. Ecco perché Reflection può parlare di ragionamento adiacente alla frontiera senza parlare di una distribuzione su scala di data center — e perché il rilascio finale dei pesi conta più della chiave beta.

È "501B" il numero giusto? Sì — e non si è spostato

Vale la pena dirlo chiaramente, perché questa cifra circola in diversi posti e i lettori si chiedono ragionevolmente se sia ancora attuale. La suddivisione 501B totali / 23B attivi è quella che si legge nel post di lancio di Reflection stesso, è quella che compare nel titolo della homepage di reflection.ai, ed è invariata alla data del 13 ottobre 2026. L'unico aggiornamento pubblicato da Reflection dal lancio è una nota che recita «Aggiornamento 10/8/26: abbiamo aggiornato i risultati di Beam, e le tabelle sopra riportate riflettono gli ultimi numeri» — una revisione delle tabelle dei benchmark, non dell'architettura o del numero di parametri.

Ciò che il numero di parametri non ha è una model card a supporto. Reflection ha detto che una model card arriverà; non ha detto quando, al di là di "più avanti questo mese", e a oggi non esiste alcun repository pubblico sotto l'organizzazione di Reflection su Hugging Face ("None public yet" è la stringa letterale sulla pagina dell'organizzazione). Quindi 501B è una cifra dichiarata dal fornitore, corretta per quanto chiunque possa verificare, e non ancora verificabile rispetto ai pesi.

Contesto, modalità e output massimo

Qui il materiale del fornitore è più scarno rispetto alle tabelle di benchmark, e vale la pena essere precisi su quale numero sia quale, perché le due cifre di contesto in circolazione significano cose diverse.

• Contesto effettivo — il midtraining "estende la lunghezza effettiva del contesto di Beam a 1M token." Questa è un'affermazione su ciò che il modello è stato addestrato a gestire.

• Contesto di rollout RL — la fase di reinforcement learning utilizzava "una lunghezza massima del contesto di 256K token". Questa è un'affermazione sulla configurazione di addestramento.

• Limite di servizio — non pubblicato. Il post di lancio non fornisce una finestra di contesto API, e l'endpoint è accessibile solo tramite lista d'attesa, quindi non c'è un secondo documento con cui verificarla. Un lettore che oggi desidera un dato sulla finestra di contesto API non ne ha uno a disposizione.

• Output massimo — non pubblicato. La Reflection non ne indica uno.

• Modalità — testo in ingresso, testo in uscita. Il post di lancio è esplicito: "Sebbene Beam sia solo testo", il modello gestisce altre modalità quando sono rappresentate come testo. Non è previsto alcun input di immagini, audio o video, e il nome non dà alcun motivo per aspettarsi il contrario.

La distinzione tra la cifra di 1M relativa all'addestramento e un limite di serving non pubblicato è il tipo di cosa che viene appiattita nei resoconti di seconda mano, e conta: una capacità disponibile in fase di addestramento non è una promessa su ciò che un endpoint accetterà.

Pesi, licenza e la rivendicazione del "primo modello aperto"

Il posizionamento di Reflection è che Beam è un modello autenticamente aperto, non un'API con un aggettivo di marketing appiccicato. L'impegno è specifico: "rilasceremo i pesi con licenza Apache 2.0," insieme a "documentazione e lo stack completo per eseguire, valutare e fare fine-tuning del modello." Una riga separata nello stesso post dice che i pesi, il rapporto tecnico, la model card e gli artefatti per sviluppatori seguiranno "più avanti questo mese."

Qui due cose sono vere allo stesso tempo. Apache 2.0 è una licenza reale, permissiva e utilizzabile commercialmente: se distribuita come descritto, si tratta di una posizione decisamente più solida rispetto a una licenza solo per ricerca o a una licenza comunitaria personalizzata. E una promessa di licenza non è una licenza. Al 13 ottobre 2026 i pesi non sono stati distribuiti, quindi ciò che esiste è un'intenzione dichiarata, non uno stato di fatto. Il post di lancio descrive inoltre la versione attuale come un'anteprima per un insieme limitato di utenti, e afferma che il modello è in "red-teaming e valutazioni finali".

The demand signal behind this page is worth one sentence, because it explains why the question keeps getting asked: people are searching the model's name together with the names of other labs' models — Beam plus a Chinese open-weight house, Beam plus a large Chinese open-weight model — which is speculation about what Beam derives from. Reflection documents no basis model. The launch post describes pretraining that ran from scratch: 23.8 trillion tokens across 6,144 GB300 NVL72 GPUs in under four weeks, followed by an RL stage using 10,500 GB300s for four weeks, more than 100 million rollouts and roughly 1.3 billion sandboxes. There is no base checkpoint named anywhere in it. If you have read that Beam is a fine-tune of something else, the vendor's own material does not support it.

Ciò che Reflection sostiene, e ciò che chiunque altro ha misurato

Tutto in questa sezione è riportato dal fornitore. Le tabelle di benchmark del post di lancio sono state riviste l'8 ottobre 2026 e nessuna terza parte ha riprodotto una singola cifra in esse.

• Codifica agentica — 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.

• Ragionamento — AIME 2026 97.8, GPQA Diamond 90.5, HLE senza strumenti 36.2, SciCode 49.7, CriPT AA 16.3.

• Uso degli strumenti e ricerca — MCP Atlas 78,7, BrowseComp 77,4, DeepSearchQA 80,1, AutomationBench 37,0, tau3 banking 38,0.

• Generale e contesto lungo — AA-LCR 79.3, LongBench v2 65.5, IFBench 79.7, AA Omniscience 13.0.

L'impostazione che Reflection stessa dà di quei numeri è prudente, e vale la pena ripeterla anziché ritoccarla al rialzo: colloca Beam come «competitivo con modelli aperti più grandi come GLM 5.2 e in avvicinamento a Qwen 3.8-Max», afferma che Beam è alla pari con GLM-5.2 sul ragionamento pur usando «3–4× meno calcolo inferenziale», e riconosce che Kimi K3 è ancora in testa sulla capacità grezza. Tale affermazione di efficienza è supportata nel post da un grafico che mette in relazione il punteggio di ragionamento con i FLOP di inferenza stimati, dove i FLOP sono approssimati come circa il doppio del numero di parametri attivi moltiplicato per i token generati. La didascalia lo dice, e l'approssimazione esclude deliberatamente prefill, attenzione e overhead di servizio. Reflection etichetta il risultato come «un confronto di calcolo approssimativo anziché un costo di inferenza misurato».

In modo indipendente: nulla. Non esiste una riga di Artificial Analysis per Beam, nessun posizionamento in arena e nessun risultato di harness di terze parti che siamo riusciti a trovare. Laddove Beam e il suo insieme di confronto non sono stati sottoposti a benchmark testa a testa a parità di sforzo di ragionamento e di harness — come nel caso di ogni coppia — questa pagina non implica una graduatoria. Le tabelle sopra riportano i numeri di un solo laboratorio sul proprio modello.

Puoi usarlo, e quanto costerebbe?

Non a condizioni pubblicate. L'accesso avviene tramite lista d'attesa: il post di Reflection dice che l'accesso anticipato è riservato a un insieme limitato di utenti, e la console della piattaforma è accessibile solo previa registrazione. Non esiste alcun prezzo pubblicato da nessuna parte sulle proprietà di Reflection — né nel post di lancio, né nella homepage, né in qualunque contenuto un lettore possa raggiungere senza un account. Qualsiasi cifra in dollari tu veda associata a Reflection Beam al momento è una stima di qualcuno, non un prezzo di listino.

Reflection descrive effettivamente la superficie dell'endpoint a un livello generale: un'API compatibile con OpenAI con un parametro reasoning effort, in cui «le impostazioni più basse favoriscono risposte più brevi, mentre quelle più alte consentono un ragionamento più lungo». I valori accettati da quel parametro non sono pubblicati nel materiale di lancio e, poiché la model card è ancora in arrivo, non esiste una seconda fonte con cui verificarli.

Per i lettori che sono qui perché vogliono un modello di ragionamento efficiente da chiamare questa settimana, la mossa pratica è quella che non dipende dal fatto che Beam rilasci qualcosa. I modelli con cui Beam viene confrontato — GLM 5.2, Kimi K3 e Qwen 3.8-Max — sono tutti attivi oggi su OrcaRouter, con una singola chiave compatibile con OpenAI, con i prezzi di listino dei provider passati direttamente, a un markup dello 0%: GLM 5.2 a $1,40 per milione di token di input e $4,40 per milione di token di output ($1,40/$4,40, letti dalla nostra pagina del modello il 13 ottobre 2026), Qwen 3.8-Max a $2,00/$6,00, e Kimi K3 a $3,00/$15,00. Poiché non c'è alcun markup, un taglio di prezzo del fornitore arriva sulla tua fattura lo stesso giorno in cui viene annunciato, anziché al successivo rinnovo del contratto. Se il motivo per cui osservi Beam è la rivendicazione di efficienza anziché i pesi, la posizione onesta è che puoi misurare l'alternativa oggi e non puoi misurare Beam affatto.

Cosa tenere d'occhio, e quando i numeri diventano verificabili

Tre cose cambierebbero questa pagina, e tutte e tre sono databili quando accadono. L'arrivo dei pesi su Hugging Face con la licenza dichiarata è la prima: è l'evento che trasforma un'affermazione su un modello da 501B in qualcosa che puoi scaricare, quantizzare, mettere a punto e valutare con benchmark da solo. Il rapporto tecnico e la model card sono la seconda, perché è lì che verrebbero normalmente documentati una finestra di contesto di servizio, un output massimo e i valori di impegno di ragionamento; la loro assenza è il motivo per cui tre delle righe delle specifiche sopra riportano "non pubblicato" invece di un numero. Una valutazione indipendente è la terza, e è l'unica che permetterebbe a chiunque al di fuori di Reflection di dire se 23B parametri attivi garantiscano davvero i punteggi di ragionamento che il post di lancio rivendica.

Fino ad allora, il riassunto accurato è breve. Reflection Beam è un MoE sparse da 501B parametri con 23B attivi, annunciato il 5 ottobre 2026, solo testo, con un'anteprima in lista d'attesa, nessun prezzo pubblicato, nessun limite di servizio pubblicato, nessun punteggio indipendente e un rilascio dei pesi Apache 2.0 promesso per "più avanti questo mese" e che non si è concretizzato. Non è una critica al modello — è una descrizione di a che punto sia effettivamente arrivato il rilascio.