Reflection مدل Beam را اوپنوزت کرد: ۵۰۱ میلیارد پارامتر برای کدنویسی و ایجنت
لاب Reflection اولین مدل اوپنوزتش Beam را با لایسنس Apache 2.0 روی Hugging Face گذاشت؛ MoE با ۵۰۱B پارامتر (۲۳B فعال)، کانتکست یکمیلیون توکن و تمرکز روی کدنویسی و کارهای ایجنتی.
17 Oct 2026 · 2 min read · Reflection · Beam · هوش مصنوعی · اوپنسورس · MoE · کدنویسی

لاب آمریکایی Reflection اولین مدل اوپنوزتش را منتشر کرد: Beam 1.0؛ یک Mixture-of-Experts با حدود ۵۰۱ میلیارد پارامتر کل و فقط حدود ۲۳ میلیارد پارامتر فعال برای هر توکن. وزنها با لایسنس Apache 2.0 روی Hugging Face آمدهاند و تمرکز اصلیشان روی کدنویسی، استدلال و کارهای ایجنتیِ بلندمدت است.
کانتکست مدل تا یک میلیون توکن میرود؛ ورودی و خروجی متنی است. چکپوینتها در فرمتهای BF16، FP8 و NVFP4 عرضه شدهاند و یک مدل پیشنویس برای speculative decoding (DFlash2) هم کنارشان آمده. از روز اول در transformers، vLLM و SGLang پشتیبانی شده و هارنس اوپنسورس خودشان به اسم Mirror CLI (هسته Rust) هم برای کار ایجنتی کنار مدل است.
از نظر معماری، ۴۹ لایه از ۵۲ لایه بلوک MoE با ۲۵۶ expert دارند و در هر توکن فقط ۸ تا فعال میشوند؛ بقیه لایهها dense هستند. توجه ترکیبی است: بیشتر لایهها sliding-window روی ۵۱۲ توکن، و هر چند لایه یکبار attention سراسری برای کانتکست بلند. Residual stream هم با وزندهی خاص مقیاسثابت نگه داشته میشود تا عمق زیاد مدل را از کنترل خارج نکند.
اکوسیستم لانچ هم بزرگ است: از AWS و Google Cloud و Cloudflare تا Ollama، OpenRouter، Vercel، OpenCode و دهها سرویس دیگر endpoint یا یکپارچهسازی روزصفر دارند. روی سختافزار، نسخه NVFP4 برای Blackwell عملیتر است (وزن حدود ۲۸۰ گیگ بهجای حدود ۱ ترابایت BF16)؛ برای Hopper معمولاً FP8 پیشنهاد میشود.
بنچمارکهایی که خود Reflection و HF منتشر کردهاند در کدنویسی ایجنتی و ترمینال نسبتاً قویاند (مثلاً SWE-Bench Verified حدود ۸۰٪ و Terminal Bench حدود ۸۰٪ در BF16). برای سفارشیسازی هم دستورالعمل SFT با TRL و GRPO با Miles آمده؛ HF حتی مسابقه ۱۰ هزار دلار اعتبار Hub برای پروژههای ساختهشده با Beam گذاشته.
نظر من
این یکی از آن لانچهایی است که فقط «مدل جدید» نیست: وزن اوپن، لایسنس واقعی، harness و دستور پخت post-train و لیست پارتنرهای سروینگ با هم آمده. برای کسی که میخواهد مدل frontier-scale را خودش میزبانی یا fine-tune کند، Beam گزینه جدیتری از یک وزن تنها روی HF است. البته ۵۰۱B حتی quantشده هم سختافزار گرانی میخواهد؛ بیشتر تیمها احتمالاً از API یا Inference Providers شروع میکنند و self-host را برای کیسهای خاص نگه میدارند. اگر واقعاً روی agentic coding شرط بستهاند، مقایسهٔ عملی با مدلهای اوپن فعلی روی همان harness مهمتر از جدول بنچمارک است.
منبع: Reflection — Beam is now available و Hugging Face — Welcome Beam
Comments +
00No comments yet — be the first. هنوز نظری ثبت نشده؛ اولین نفر باش.