Servindo o Beam 1.0 no Dia Zero: O que a receita do SGLang realmente estabelece

Um checkpoint que você pode baixar não é um modelo que você pode implantar, e a distância entre os dois normalmente é medida em semanas de trabalho de framework feitas por quem estiver impaciente o bastante para fazê-lo. Reflection Beam 1.0 é o raro caso em que esse trabalho chegou junto com os pesos. A Reflection anunciou o modelo em 5 de outubro de 2026; em 16 de outubro de 2026, os pesos, a licença Apache 2.0, um endpoint próprio e suporte no dia zero em sete stacks de inferência chegaram todos juntos, e um desses stacks — SGLang, cuja própria conta do projeto disse no dia 16 que serve o Beam em produção na Reflection — publicou uma receita detalhada o suficiente para se questionar.

Essa receita é o artefato interessante, mais do que a tabela de benchmark. Um post de lançamento diz que um modelo é bom. Uma matriz de implantação diz quanto custa descobrir, e onde as escolhas que você faz vão determinar silenciosamente sua latência. A documentação do SGLang do Reflection Beam 1.0 é um gerador: você escolhe uma plataforma de hardware e uma estratégia, e ele emite um comando Docker fixado. As opções pelas quais ele obriga você a passar são a verdadeira novidade para quem pretende executar isso em vez de apenas chamá-lo.

Os três eixos que a receita se recusa a esconder

A página pede a plataforma de hardware, a estratégia e a quantização, e depois constrói o comando. Esse é um espaço de decisão menor do que a maioria dos lançamentos de modelos admite, e cada eixo tem uma consequência real:

• Plataforma de hardware — B300, GB300 ou H200. Os modelos Blackwell usam o build NVFP4 nativamente; o H200 é o caminho FP8 e BF16. Este é o mesmo requisito mínimo descrito nas notas de versão do Reflection, reformulado como um menu suspenso.

• Estratégia — baixa latência ou alta vazão, e este é o eixo em que a maioria das implantações erra por padrão. Baixa latência executa paralelismo de tensores com o drafter DFlash2 habilitado no tamanho de bloco 8. Alta vazão desabilita totalmente o DFlash2.

• Quantização — NVFP4, FP8 ou BF16, que têm de estar alinhados com a plataforma e a estratégia, em vez de serem livremente combináveis.

As duas predefinições de estratégia não são um dial de desempenho, são uma mudança de algoritmo. A decodificação especulativa troca latência de decodificação por trabalho extra do modelo de rascunho por etapa; com tamanho de bloco 8 e um modelo de rascunho de 1,93 bilhão de parâmetros, essa troca vale a pena quando você atende um usuário por vez e não vale a pena quando você processa em lote de forma agressiva. Desativar o DFlash2 para a receita de alto throughput não é uma degradação, é a resposta correta para uma pergunta diferente.

Onde as receitas deixam de ser intercambiáveis

Vá além dos presets e a página documenta algumas divisões de configuração que existem por razões concretas de hardware, e vale a pena conhecê-las antes de copiar o primeiro comando Docker que você encontrar:

• O H200 BF16 executa TP8 com uma fração de memória estática automática. O checkpoint BF16 de 933.81 GiB não cabe em menos dispositivos, e a fração de memória é calculada e não exposta — o que significa que esta é a única receita que você não pode ajustar manualmente sem sair do caminho suportado.

• Todas as outras receitas usam paralelismo de tensores mais DPA. A DPA aqui é o arranjo de atenção paralela de dados que desacopla a atenção da divisão paralela de especialistas, e é por isso que as receitas não BF16 toleram contagens de dispositivos que a BF16 não tolera.

• O Blackwell NVFP4 também habilita paralelismo de especialistas e o FlashInfer MegaMoE. Esta é a combinação para a qual os próprios guias da Reflection apontam, e ela só fica disponível quando o checkpoint é a versão empacotada de 4 bits com 273 GiB, em vez de FP8 com 468,72 GiB.

A conclusão prática: “executamos o Beam 1.0 no SGLang” não é uma afirmação sobre hardware. Duas equipes podem dizer isso enquanto usam precisões diferentes, layouts de paralelismo diferentes e algoritmos de decodificação diferentes, e a única forma de comparar notas é nomear todos os três.

O que "day zero" vale, e o que não vale

O suporte de frameworks no dia em que os pesos são lançados é um sinal real, e é um tipo específico de sinal. O suporte do SGLang ao Beam 1.0 existe porque os engenheiros da Reflection trabalharam com a comunidade do SGLang antes do lançamento — foi o que o projeto SGLang declarou publicamente em 16 de outubro, e é coerente com a Reflection ter incluído o SGLang entre os seus parceiros de day-zero, ao lado de Transformers, vLLM, Unsloth, Axolotl, TokenSpeed e NVIDIA Dynamo, com receitas escritas para SGLang, vLLM e TokenSpeed, além de um Helm chart para Kubernetes.

• O que isso estabelece — um caminho documentado e mantido desde o checkpoint publicado até um endpoint servido, em hardware especificado, com as variantes de quantização consideradas. Isso é genuinamente mais do que a maioria dos lançamentos abertos consegue fazer na primeira semana.

• O que ele não estabelece — que a configuração seja ideal, nem que os números de throughput que você obterá sejam iguais aos de qualquer outra pessoa. A alegação de uso em produção na Reflection é do fornecedor e do framework, relatada pelas pessoas que operam o serviço. Não vimos uma reprodução independente disso, e nenhum benchmark de terceiros de uma implantação auto-hospedada do Beam foi publicado.

Essa distinção importa mais aqui do que o habitual, porque este é um modelo de mistura esparsa de especialistas com 501,3 bilhões de parâmetros, com 23,4 bilhões de parâmetros ativos por token, e todo o valor da arquitetura está no fato de que seu custo de serving é uma fração do nome do modelo. O suporte de frameworks é o que converte essa afirmação de um diagrama de arquitetura em um orçamento de memória. Ele não a converte em um número de throughput medido, e nenhum material de primeira parte que conseguimos encontrar divulga um para inferência — o único número concreto de tokens por segundo no lançamento descreve o ajuste fino supervisionado com LoRA em um único nó de 8 GPUs B300, o que é uma etapa de treinamento, não uma taxa de serving.

O modo de falha que uma stack auto-hospedada day-zero de fato tem

Há uma forma específica de isto dar errado, e não é o modelo. É a segunda semana. Uma imagem Docker fixada, criada para uma quantização e um layout de paralelismo, não é uma alternativa para si própria: se o drafter tiver uma má interação com o seu padrão de tráfego, se uma atualização de driver alterar o que a fração de memória aloca, ou se a sua capacidade estiver na fila atrás de outro tenant, não lhe resta uma configuração para a qual recorrer — tem uma indisponibilidade com um modelo muito capaz parado dentro dela.

O Beam 1.0 não é uma das nossas rotas, por isso não podemos disponibilizá-lo para você, e nada aqui deve ser interpretado como uma declaração de disponibilidade da nossa parte. O que podemos fazer é colocar o fallback num lugar útil. O OrcaRouter usa uma única chave compatível com OpenAI em mais de 200 modelos, com o preço de tabela do provedor repassado e sem acréscimos, e failover automático entre provedores, então um piloto do Beam auto-hospedado que para de responder é uma mudança de roteamento e não um incidente. Os modelos que uma implantação do Beam costuma substituir, e que são acessíveis dessa forma, vêm com tabelas de preços publicadas:

• GLM-5.2 — US$ 1,40 por milhão de tokens de entrada e US$ 4,40 por milhão de saída, com um contexto de 1.000.000 de tokens. O modelo em relação ao qual a própria alegação de eficiência da Reflection é medida, e o substituto mais direto para o trabalho de codificação de contexto longo da Beam.

• Kimi K3 — $3,00 por milhão de tokens de entrada, $0,30 em cache, $15,00 de saída com uma janela de 1.048.576 tokens.O post de lançamento da Reflection admite que o K3 continua à frente em capacidade bruta.

• Qwen3.8-Max — US$ 2,00 por milhão de tokens de entrada e US$ 6,00 de saída em uma janela de 1.000.000 de tokens, a opção proprietária de nível carro-chefe para equipes que querem a capacidade sem o rack.

O que a receita ainda não lhe diz

Três lacunas merecem ser nomeadas, porque cada uma é uma decisão que você acabará tomando com menos informação do que gostaria.

O primeiro é o preço. O endpoint do Reflection é documentado e compatível com OpenAI, com esforços de raciocínio de max, xhigh, high, medium e low, raciocínio obrigatório com padrão max, e limites por organização compartilhados entre todas as chaves. Não possui uma taxa publicada por milhão de tokens, então o argumento de eficiência para o Beam 1.0 não pode ser concluído como um exercício aritmético. Um modelo que sempre raciocina e tem como padrão o esforço máximo é uma proposta comercial diferente, dependendo se o token de saída é precificado em um dólar ou dez.

A segunda é a medição independente. O Artificial Analysis lista o modelo com um Intelligence Index de 30, sem número de velocidade e sem preço, e não registra nenhuma API disponível publicamente para ele — o que é uma declaração de terceiros de que a superfície hospedada ainda não é visível para as pessoas que medem essas coisas. Seu único dado de eficiência contado de forma independente é real: o Beam gerou 79M tokens de saída no Intelligence Index da AA, contra uma mediana de 130M para o conjunto de comparação. Isso sustenta a alegação de "menos tokens de raciocínio". Não informa a velocidade com que os tokens são produzidos.

A terceira é a deriva de versões. As receitas publicadas são escritas para um checkpoint específico e uma build específica do SGLang, e o modelo de rascunho tem seu próprio repositório. Quando qualquer um dos dois muda, a receita que você fixou em outubro é uma configuração que ninguém testou em novembro. Trate o comando Docker como um ponto de partida com data de validade, não como uma implantação.

Quem deve agir sobre isto agora, e quem deve esperar?

Se você já possui a capacidade Blackwell, a receita do SGLang é genuinamente suficiente para começar: quatro B300s é a configuração de referência NVFP4, a matemática da memória está publicada, a suíte de conformidade existe, e a desvantagem é limitada ao tempo de engenharia. Se você não possui o hardware, o cálculo ainda não fecha, porque a opção hospedada não tem tabela de preços para comparar com uma compra de capital — e o suporte de framework desde o dia zero, por melhor que seja, não substitui um preço.

O que se deve acompanhar não é mais um framework anunciando suporte. É o primeiro número publicado que não veio da Reflection nem de um projeto de framework: uma medição independente de throughput em uma configuração nomeada, ou uma tabela de tarifas no endpoint de primeira parte. Qualquer uma delas transforma isto de um experimento bem documentado em um item orçamentário. Até então, a leitura correta de 16 de outubro é que a engenharia pesada foi entregue dentro do prazo — e o caso comercial é a parte que ainda está em construção.

Nada disso é hipotético: as falhas de IA documentadas e os incidentes com agentes por trás de lançamentos como este estão reunidos no Arquivo de Incidentes de IA da OrcaRouter, onde cada entrada traz as suas próprias fontes, gravidade, grau de confiança e sinalização de contestação.