Beam 1.0: Reflection släppte vikterna som öppen källkod och Artificial Analysis betygsatte den till 30

Två saker hände med Reflections Beam 1.0 den här veckan, och de pekar i motsatta riktningar. Modellen – Beam 1.0-501B-A23B, ett glest mixture-of-experts-system med 501 miljarder parametrar totalt och 23 miljarder aktiva per token – är inte längre ett löfte: vikterna finns på Hugging Face under Apache 2.0, 273 GiB NVFP4-bygget går att ladda ner nu, och det finns ett förstaparts-API med ett dokumenterat kontrakt och en riktig sida för hastighetsbegränsning. Samtidigt är det första oberoende talet som någon har publicerat för modellen 30 på Artificial Analysis Intelligence Index – nittonde av 120 modeller som utvärderats på indexversion v4.3.2, och över medianen på 19 som Artificial Analysis registrerar för jämförbara öppenviktsmodeller av liknande storlek. Leverantörer som har lanserat brukar få välja vilket av dessa två faktum som leder. Här är båda sanna samtidigt, och den ärliga läsningen är att Beam 1.0 kom billigare än väntat men fick lägre poäng än vad dess eget lanseringsinlägg antydde.

Detta är en uppföljning av vår tidigare bevakning, och inramningen är avsiktlig: Beam 1.0 är inte nytt. Reflection tillkännagav det den 5 oktober 2026 och uppdaterade sina benchmarktabeller den 8 oktober. Det som har förändrats under de senaste sju dagarna är allt en köpare faktiskt behöver — vikter, hosting, ett API, gränser och extern mätning. Om du läste lanseringsbevakningen och bestämde dig för att vänta, är anledningen att vänta borta.

Vad som faktiskt levererades den här veckan

Reflections "Beam är nu tillgänglig"-inlägg är daterat den 16 oktober 2026 och det täpper igen gapet som gjorde lanseringsinlägget så försiktigt formulerat. Den 5 oktober var vikterna något som Reflection sade att man "skulle släppa". Från och med den här veckan finns de, i tre precisioner, plus en draftmodell för spekulativ avkodning:

• BF16 — 501,3B parametrar fördelade över 188 safetensors-shards, uppladdade till reflection/Beam-1.0-501B-A23B repositoriet den 7 oktober och har reviderats sedan dess.

• FP8 — samma parameterantal på 501,3B i E4M3, 468,72 GiB på disk.

• NVFP4 — en packad 4-bitarsversion på 273 GiB, vilken är den som Reflections egna serveringsguider säger att du ska ladda ner.

• DFlash2 — en utkastmodell för spekulativ avkodning med 1,93 miljarder parametrar, uppladdad 13 oktober, publicerad som ett separat repo och dokumenterad som en egen optimering för serving.

Alla fyra bär apache-2.0-taggen, och licensfilen finns i repositoriet snarare än i en bloggmening, vilket är skillnaden mellan en licens och ett löfte. Reflection anger också att den inte begränsar destillering, finjustering, kvantisering eller sammanslagning.

Serving-berättelsen är lika konkret. Det finns stöd från dag noll i Transformers, vLLM, SGLang, Unsloth, Axolotl, TokenSpeed och N​VIDIA Dynamo, och Reflections dokumentation innehåller steg-för-steg-guider för SGLang, vLLM, TokenSpeed och ett Helm-chart för Kubernetes. Referenskravet för självhosting är fyra N​VIDIA B300 SXM-GPU:er på NVLink – en enda maskin, inte ett kluster, vilket är en mycket lägre tröskel än vad en 500B-modell normalt innebär och följer direkt av 23B-aktiveringskvoten.

Det finns också ett verifieringsverktyg. CLI-verktyget med öppen källkod, beam-verifier, kör en konformitetssvit mot valfri aktiv Beam-slutpunkt och utvärderar den sedan mot de viktigaste benchmarkarna så att du kan jämföra din driftsättning, eller en leverantörs, mot Reflections referenspoäng. Allt som gör att en köpare kan kontrollera en leverantörs siffror i stället för att lita på dem är värt att känna till.

Det första externa resultatet, och det är inte lanseringsinläggets nummer.

Artificial Analysis listar Beam 1.0 med ett Intelligence Index på 30, rankad som #19 av 120. Samma post visar att modellen använde 79M utdatatokens i Indexet – "#10 / 46", mot en median på 130M – vilket är påståendet om token-effektivitet som för första gången dyker upp i ett oberoende testramverk. Artificial Analysis visar inte heller någon prissättning eller hastighet för Beam, eftersom det i skrivande stund fortfarande registrerar "No publicly available API" för modellen och endast hänvisar till egen hosting. Den luckan är i sig information: API:et finns, men ännu inte i en form som mätföretagen har fångat upp.

Läs 30:an noga. Det är inte en dom över leverantörens benchmarktabell – de två mäter olika saker i olika testramverk. Reflections modellkort, som publicerats tillsammans med vikterna, rapporterar 81,6 % på SWEBench Verified, 80,1 % på Terminal Bench v2.1 och 90,6 % på GPQA Diamond för BF16-checkpointen, och lanseringsinlägget är tydligt med att frontiermodeller som Kimi K3 fortfarande ligger före i rå kapacitet, där Beams argument är "effektivitet vid inferens" snarare än paritet i toppen. De siffrorna är fortfarande leverantörsrapporterade och, såvitt vi kan hitta, har ingen ännu reproducerat dem. Men lanseringen av en offentlig endpoint plus verifierings-CLI:t är det som överhuvudtaget gör reproduktion möjlig, och en 30:a på ett index med 120 modeller är den första siffran i den här historien som Reflection inte har tagit fram.

Priset, gränserna och vad de innebär per uppgift

The API side is now documented rather than waitlisted. The endpoint is https://api.reflection.ai/openai/v1, O​penAI-compatible for Chat Completions and Models, with a native base URL at api.reflection.ai/v1 if you want Reflection's own shape. Model ID: Beam-1.0-501B-A23B. The docs give the served limits precisely, and they are narrower than the 1M-token training figure that circulated at launch:

• Kontextfönster — 1 048 576 tokens, med en maximal utdata på 131 072 tokens och ett standardvärde för max_tokens på 32 768.

• Resonemang — obligatoriskt, inte valfritt. Stödda ansträngningsnivåer är low, medium, high, xhigh och max, med max som standard. Resonemangstokens räknas mot dina hastighetsgränser.

• Kapaciteter — resonemang, verktygsanrop och strukturerade utdata, text in och text ut.

• Hastighetsbegränsningar – mäts per organisation i förfrågningar och tokens per minut och per UTC-dag, med gränser för samtidiga förfrågningar och en valfri daglig tokenkvot. Överskridanden returnerar 429 med antingen rate_limit_exceeded eller daily_allowance_exhausted, och när den dagliga kvoten är förbrukad sätter svaret x-should-retry: false, så naiva återförsöksloopar kommer bara att snurra.

Vad dokumentationen inte innehåller är ett offentligt pris per miljon tokens. Reflections tillkännagivande säger bara att det är "gratis att börja", och varken dokumentationen eller tillkännagivandet publicerar någon prislista. Det är den enda rad som fortfarande saknas i bilden, och det är den rad som avgör om effektivitetsargumentet betyder något på en faktura. En modell som resonerar vid varje förfrågan, som standard använder maximal ansträngning och hävdar 3–4× lägre inferensberäkning än GLM 5.2 vid avancerat resonemang är en annan sak vid $0,50 per miljon utdatatokens än vid $5,00 — och ingen utanför Reflection kan för närvarande säga vilket det är.

Två praktiska varningar från dokumentationen värda att ta med sig in i en pilot. För det första är standardansträngningen max, så standardkonfigurationen är den dyraste; en kostnadsmedveten integration bör ställa in reasoning_effort explicit redan från första anropet. För det andra är gränserna per organisation och delas mellan projekt och nycklar – att lägga till nycklar höjer dem inte, vilket är en sådan detalj som bara biter en efter att man redan har byggt den andra integrationen.

Hur det står sig mot de modeller du faktiskt skulle jämföra det med

Den intressanta jämförelsen är inte mot absoluta flaggskepp, där Reflection medger poängen, utan mot de modeller med öppna vikter som Beam pris- och storleksmässigt jämförs med. I vår egen katalog i dag:

• GLM 5.2 — 1M kontext, $1,40 per miljon indatatokens och $4,40 per miljon utdatatokens, fullt ut serverad.

• Kimi K3 — kontextfönster på 1 048 576 token, $3,00/$15,00, och den modell som Reflections egen tabell placerar före på Terminal Bench.

• Qwen 3.8-Max — 1M kontext, $2.00/$6.00, Beam hävdar en större effektivitetsfördel gentemot 2T-plus-klassen.

Beams säljargument är att det kommer nära GLM 5.2 när det gäller avancerad resonemangsförmåga, till en bråkdel av inferensberäkningen. Om det håller i ett oberoende testramverk är det värt riktiga pengar vid hög förfrågningsvolym. Siffran för ordrikedom på 79M token är det första beviset på att så kan vara fallet. Det saknade priset är anledningen till att du ännu inte kan slutföra kalkylen.

Detta är också situationen där routning tar bort det mesta av risken att ha fel. Beam finns inte i vår katalog när detta skrivs, så vi kan inte erbjuda det till dig — men alla modeller ovan finns, bakom en OpenAI-kompatibel nyckel med leverantörens listpris vidarebefordrat och utan påslag, så en leverantörs prissänkning når din faktura samma dag i stället för vid nästa avtal. Det praktiska draget är att hålla din produktionsväg på en modell med en publicerad prislista och sätta Beams offentliga beta bakom en routningsregel, så att ett obeprövat förstaparts-API aldrig blir en enda felpunkt. Automatisk failover gör resten: om betan begränsar dig med en 429 kl. 02:00, hamnar begäran någonstans som inte gör det.

Vem bör flytta, och på vilka bevis?

Om ditt krav är öppna vikter och en tillåtande licens, är det den här veckan som svaret blev ja i stället för snart. Apache 2.0, tre precisioner, en build på 273 GiB som får plats på en B300-nod med fyra GPU:er, stöd för vLLM och SGLang från dag noll, ett verifieringsverktyg för att kontrollera din egen driftsättning och inga begränsningar för finjustering eller destillation. För alla vars hinder var "vikterna är inte släppta", är det hindret borta, och att hosta själv tar bort API-prisfrågan helt och hållet.

Om din begränsning är ett produktionsberoende av en hostad slutpunkt, var mer försiktig. API:et är verkligt och dokumenterat, men det lanserades den här veckan, det tillämpar organisationsövergripande gränser som en andra nyckel inte kommer att höja, det resonerar med maximal ansträngning som standard, och dess pris är opublicerat. Kör konformitetssviten från verifieraren mot det innan du litar på det med något som har en deadline.

Om din begränsning är kapacitet vid frontlinjen förändrar inget den här veckan ditt svar. En 30 på Intelligence Index, en leverantörstabell som ger vika för Kimi K3 på Terminal Bench och för GLM 5.2 på AIME, och ingen oberoende reproduktion av de framhävda siffrorna utgör sammantaget en modell värd att prova, inte en modell värd att satsa på.

Det enda att hålla utkik efter härnäst är priset. Reflection har levererat den svåra halvan av en lansering – vikter, serving-stackar, dokumentation och en publik endpoint – och lämnat den enkla halvan, en prislista, opublicerad. När den siffran landar blir effektivitetsanspråket på 3–4× ett kalkylblad i stället för en slogan, och jämförelsen mot GLM 5.2 eller Kimi K3 blir ett beslut snarare än en diskussion om metodik.

Ett resultat som detta är också en påminnelse om att modellmisstag redan är dokumenterade: AI-incidenterna och agentfelen bakom modeller i den här klassen samlas i OrcaRouter AI Incident Archive, där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och flagga för omtvistat.