Reflectiestraal: Wat het 501B open-weightmodel werkelijk is, en wat er nog ontbreekt

Reflection Beam is het eerste taalmodel van Reflection, het New Yorkse lab dat in 2024 is opgericht door twee voormalige DeepMind-onderzoekers, Misha Laskin en Ioannis Antonoglou, en een lab waarvan de verklaarde missie is om "intelligentie open en toegankelijk te maken voor iedereen". Beam is een sparse mixture-of-experts-model met 501 miljard parameters in totaal, waarvan er per token 23 miljard worden geactiveerd, aangekondigd op 5 oktober 2026 en gericht op coderen, redeneren en agentisch werk. Het is ook, sinds 13 oktober 2026, slechts half uitgebracht: de aankondiging noemt het een open-weightmodel, de aankondiging belooft Apache 2.0-gewichten, en de gewichten zijn nog niet vrijgegeven.

Die leemte is het aanknopingspunt als je hier via een zoekopdracht naar de naam van het model bent gekomen en wilt weten of je er iets mee kunt. Het korte antwoord is: niet via gewichten, nog niet, en op geen enkele prijslijst. Het lange antwoord is de rest van deze pagina — wat Beam is, waartoe Reflection zich heeft verbonden, waar het circulerende cijfer van 501B eigenlijk naar verwijst, en wat de openbare gegevens wel en niet ondersteunen. Elk cijfer hieronder wordt aan een bron toegeschreven, en niets ervan is onafhankelijk gereproduceerd.

De korte versie

• Wat het is — een sparse Mixture-of-Experts-tekstmodel, 501B totale parameters, 23B actief per token, gebouwd voor codeer-, redeneer- en agentische workloads.

• Wie publiceert het — Reflection, opgericht in 2024 door Misha Laskin en Ioannis Antonoglou en gevestigd in New York. Beam is het eerste model ervan.

• Aangekondigd — 5 oktober 2026. De benchmarktabellen in de aankondiging zijn op 8 oktober 2026 herzien.

• Gewichten — niet vrijgegeven.Reflection zegt dat het "de gewichten onder een Apache 2.0-licentie zal vrijgeven" en dat de gewichten, het technisch rapport, de modelkaart en de ontwikkelaarsartefacten "later deze maand" komen. Geen van beide was op 13 oktober 2026 uitgebracht.

• Toegang vandaag — een preview voor "een beperkte groep gebruikers," via een wachtlijst op platform.reflection.ai. Geen selfservice-route, geen gepubliceerde prijs, geen download.

• Onafhankelijke evaluatie — geen. Geen enkel evaluatieraamwerk van derden heeft Beam beoordeeld, en er is geen vermelding voor op de ranglijst van Artificial Analysis.

Wat Reflection zegt dat Beam is

De vorm van Beam is het belangrijkste nieuws. Reflection beschrijft het als een "sparse Mixture-of-Experts-model met 501 miljard totale parameters, 23 miljard actieve" — een activeringsratio van ongeveer 4,6 procent, wat agressief is, zelfs naar de maatstaven van het huidige open-weightveld. De architectuurnotities in het lanceerbericht noemen interleaved lokale en globale attention, fijnmazige routed experts, een gecontroleerde residual stream, SandwichNorm, elementsgewijze attention-gating en FP32-residualaccumulatie, met auxiliary-loss-vrije loadbalancing plus cosinusverval van de expert-biasupdates.

Niets daarvan is op zichzelf exotisch. Waar het op neerkomt, is een servingprofiel: 23 miljard actieve parameters is een model dat aannemelijk met interactieve latentie kan draaien op een betrekkelijk klein aantal GPU's, wat een ander product is dan een dense model met 501 miljard parameters, ook al is het getal op de kaart hetzelfde. Daarom kan Reflection praten over redeneren dat aan de frontier grenst zonder te praten over een deployment op datacenterschaal — en daarom maakt de uiteindelijke release van de gewichten meer uit dan de bètasleutel.

Is "501B" het juiste nummer? Ja — en het is niet verplaatst.

Dit is de moeite waard om ronduit te zeggen, want het cijfer circuleert op een paar plekken en lezers vragen zich terecht af of het actueel is. De verdeling 501B totaal / 23B actief is wat de eigen lanceringspost van Reflection zegt, het is wat de kop op de homepage van reflection.ai zegt, en het is ongewijzigd per 13 oktober 2026. De enige update die Reflection sinds de lancering heeft gepubliceerd, is een notitie met de tekst "Update 10/8/26: We hebben de resultaten van Beam bijgewerkt, en de tabellen hierboven weerspiegelen de nieuwste cijfers" — een herziening van de benchmarktabellen, niet van de architectuur of het aantal parameters.

Wat het parameteraantalnietheeft, is een model card erachter. Reflection heeft gezegd dat er een model card komt; het heeft niet gezegd wanneer, behalve "later deze maand", en er is vandaag geen openbare repository onder de organisatie van Reflection op Hugging Face ("None public yet" is de letterlijke tekst op de organisatiepagina). Dus 501B is een door de leverancier opgegeven getal, correct voor zover iemand kan controleren, en nog niet te controleren aan de hand van de gewichten.

Context, modaliteiten en maximale output

Hier is het materiaal van de leverancier dunner dan de benchmarktabellen, en het is de moeite waard om precies te zijn over welk nummer welk is, omdat de twee contextcijfers die in omloop zijn verschillende dingen betekenen.

• Effectieve context — midtraining "breidt de effectieve contextlengte van Beam uit tot 1M tokens." Dat is een uitspraak over wat het model is getraind om te verwerken.

• RL-rolloutcontext — de reinforcement-learningfase gebruikte "een maximale contextlengte van 256K tokens." Dat is een uitspraak over de trainingsconfiguratie.

• Serverlimiet — niet gepubliceerd. De lanceringspost geeft geen API-contextvenster en het endpoint staat achter een wachtlijst, dus er is geen tweede document om het tegen te controleren. Een lezer die vandaag een API-contextcijfer wil, heeft er geen.

• Maximale output — niet gepubliceerd. De reflectie vermeldt er geen.

• Modaliteiten — tekst in, tekst uit. Het lanceringsbericht is expliciet: "Hoewel Beam alleen tekst is," verwerkt het model andere modaliteiten wanneer ze als tekst worden gerepresenteerd. Er is geen beeld-, audio- of video-invoer, en de naam geeft geen reden om anders te verwachten.

Het onderscheid tussen het 1M-trainingscijfer en een niet-gepubliceerde servinglimiet is het soort ding dat in tweedehandse berichtgeving wordt platgeslagen, en het maakt uit: een capaciteit tijdens de training is geen belofte over wat een endpoint zal accepteren.

Gewichten, licentie en de claim "eerste open model"

Reflections positionering is dat Beam een echt open model is in plaats van een API waaraan een marketingadjectief is geplakt. De toezegging is specifiek: "we zullen de gewichten vrijgeven onder een Apache 2.0-licentie", samen met "documentatie en de volledige stack voor het draaien, evalueren en fine-tunen van het model." Een aparte regel in dezelfde post zegt dat de gewichten, het technisch rapport, de modelkaart en ontwikkelaarsartefacten "later deze maand" zullen volgen.

Hier zijn twee dingen tegelijk waar. Apache 2.0 is een echte, permissieve, commercieel bruikbare licentie — als deze wordt uitgebracht zoals beschreven, is dat een beduidend sterkere positie dan een licentie voor alleen onderzoek of een aangepaste communitylicentie. En een licentiebelofte is geen licentie. Op 13 oktober 2026 zijn de gewichten nog niet uitgebracht, dus wat bestaat is een verklaarde intentie, niet een feitelijke toestand. Het lanceringsbericht beschrijft de huidige versie ook als een preview voor een beperkte groep gebruikers, en zegt dat het model zich in "finale red-teaming en evaluaties" bevindt.

Het vraagsignaal achter deze pagina is één zin waard, want het verklaart waarom de vraag steeds weer wordt gesteld: mensen zoeken de naam van het model samen met de namen van modellen van andere labs — Beam plus een Chinese open-weight-ontwikkelaar, Beam plus een groot Chinees open-weight model — wat speculatie is over waar Beam van afgeleid is. Reflection documenteert geen basismodel. De lanceringspost beschrijft pretraining die vanaf nul draaide: 23,8 biljoen tokens over 6.144 GB300 NVL72 GPU's in minder dan vier weken, gevolgd door een RL-fase waarin 10.500 GB300's vier weken lang werden gebruikt, meer dan 100 miljoen rollouts en ongeveer 1,3 miljard sandboxes. Er wordt nergens een basis-checkpoint genoemd. Als je hebt gelezen dat Beam een fine-tune van iets anders is, ondersteunt het eigen materiaal van de leverancier dat niet.

Wat Reflection beweert, en wat iemand anders heeft gemeten

Alles in dit gedeelte is door de leverancier gerapporteerd. De benchmarktabellen in het lanceringsbericht zijn op 8 oktober 2026 herzien en geen enkele derde partij heeft daarin ook maar één cijfer gereproduceerd.

• Agentisch coderen — 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.

• Redeneren — AIME 2026 97.8, GPQA Diamond 90.5, HLE zonder hulpmiddelen 36.2, SciCode 49.7, CriPT AA 16.3.

• Toolgebruik en zoeken — MCP Atlas 78,7, BrowseComp 77,4, DeepSearchQA 80,1, AutomationBench 37,0, tau3 banking 38,0.

• Algemene en lange context — AA-LCR 79,3, LongBench v2 65,5, IFBench 79,7, AA Omniscience 13,0.

Reflections eigen framing van die cijfers is zorgvuldig, en het is de moeite waard die te herhalen in plaats van op te waarderen: het positioneert Beam als "concurrerend met grotere open modellen zoals GLM 5.2 en in de buurt komend van Qwen 3.8-Max", zegt dat Beam GLM-5.2 evenaart op redeneren terwijl het "3–4× minder inferentiecompute" gebruikt, en erkent dat Kimi K3 nog steeds vooroploopt wat ruwe capaciteit betreft. Die efficiëntieclaim wordt in de post ondersteund door een grafiek die redeneerscore uitzet tegen geschatte inferentie-FLOPs, waarbij FLOPs ruwweg worden benaderd als twee keer het aantal actieve parameters maal de gegenereerde tokens. Het bijschrift zegt dat, en de benadering sluit bewust prefill, attention en serving-overhead uit. Reflection bestempelt het resultaat als "een benaderende compute-vergelijking in plaats van gemeten inferentiekosten."

Onafhankelijk: niets. Er is geen Artificial Analysis-rij voor Beam, geen arenaplaatsing en geen resultaat van een harness van derden dat we konden vinden. Waar Beam en de set waarmee het wordt vergeleken niet head-to-head zijn gebenchmarkt bij gelijke redeneerinspanning en gelijke harness — wat voor elk paar geldt — impliceert deze pagina geen rangschikking. De tabellen hierboven zijn de cijfers van één lab over zijn eigen model.

Kun je het gebruiken, en wat zou het kosten?

Niet op gepubliceerde voorwaarden. Toegang gaat via een wachtlijst: het bericht van Reflection zegt dat vroege toegang voor een beperkte groep gebruikers is, en de platformconsole zit achter een aanmeldmuur. Er staat nergens een gepubliceerde prijs op Reflection's eigen kanalen — niet in het lanceringsbericht, niet op de homepage, niet in iets dat een lezer zonder account kan bereiken. Elk dollarbedrag dat je nu aan Reflection Beam gekoppeld ziet, is een schatting van iemand, niet een lijstprijs.

Reflection beschrijft het endpoint-oppervlak wel op hoog niveau: een OpenAI-compatibele API met een parameter voor reasoning effort, waarbij "lagere instellingen kortere antwoorden bevorderen, terwijl hogere instellingen langere redeneringen mogelijk maken." De waarden die deze parameter accepteert, worden niet in het lanceringsmateriaal gepubliceerd, en aangezien de modelkaart nog moet verschijnen, is er geen tweede bron om ze aan te toetsen.

Voor lezers die hier zijn omdat ze deze week een efficiënt redeneermodel willen aanroepen, is de praktische zet degene die er niet van afhangt of Beam iets uitbrengt. De modellen waarmee Beam wordt vergeleken — GLM 5.2, Kimi K3 en Qwen 3.8-Max — zijn vandaag allemaal live op OrcaRouter, op één OpenAI-compatibele sleutel, met de lijstprijzen van de provider doorgegeven tegen 0% markup: GLM 5.2 voor $1,40 per miljoen inputtokens en $4,40 per miljoen output ($1,40/$4,40, afgelezen van onze eigen modelpagina op 13 oktober 2026), Qwen 3.8-Max voor $2,00/$6,00, en Kimi K3 voor $3,00/$15,00. Omdat er geen markup is, bereikt een prijsverlaging van een leverancier je factuur op dezelfde dag dat die wordt aangekondigd in plaats van bij de volgende contractverlenging. Als je reden om Beam te volgen de efficiëntieclaim is en niet de gewichten, dan is de eerlijke positie dat je het alternatief vandaag kunt meten en Beam helemaal niet kunt meten.

Waar u op moet letten, en wanneer de cijfers controleerbaar worden

Drie dingen zouden deze pagina veranderen, en alle drie zijn ze dateerbaar wanneer ze plaatsvinden. Het verschijnen van de gewichten op Hugging Face onder de vermelde licentie is het eerste — dat is de gebeurtenis die van een 501B-claim iets maakt dat je zelf kunt downloaden, quantiseren, fine-tunen en benchmarken. Het technische rapport en de modelkaart zijn het tweede, want daarin zouden normaal gesproken een contextvenster voor serving, een maximale output en de reasoning-effort-waarden gedocumenteerd worden; hun afwezigheid is de reden dat drie van de specificatieregels hierboven 'niet gepubliceerd' vermelden in plaats van een getal te bevatten. Een onafhankelijke evaluatie is het derde, en het is de enige die iedereen buiten Reflection zou laten zeggen of 23B actieve parameters echt de reasoningscores opleveren die de lanceringspost claimt.

Tot dan is de accurate samenvatting kort. Reflection Beam is een sparse MoE met 501B parameters en 23B actieve parameters, aangekondigd op 5 oktober 2026, alleen tekst, met een preview met wachtlijst, geen gepubliceerde prijs, geen gepubliceerde serveerlimieten, geen onafhankelijke scores, en een Apache 2.0-gewichtsrelease die is beloofd voor "later deze maand" en niet is gebeurd. Dat is geen kritiek op het model — het is een beschrijving van hoever de release daadwerkelijk is gevorderd.