Beam: el modelo open-weight de 501B para codificación de Reflection AI
Beam, de Reflection AI, iguala a GLM 5.2 en razonamiento con 3-4 veces menos cómputo, pero va por detrás de Kimi K3 en codificación agentiva. Así rinde este modelo open-weight.
Los lanzamientos de modelos open-weight han estado dominados durante un tiempo por laboratorios chinos: las familias GLM, Kimi, Qwen y DeepSeek encabezan las evaluaciones de codificación agentiva.
Beam, de Reflection AI, anunciado el 5 de octubre de 2026, llega con una propuesta clara: impulsar lo que el laboratorio llama la "frontera open-weight occidental" y competir en eficiencia de inferencia más que en capacidad bruta.
En este artículo, te cuento qué es Beam de Reflection AI, las funciones que importan en el trabajo diario, cómo se compara con Kimi K3, DeepSeek V4.1 Flash y la línea GLM 5.x en los benchmarks, y qué puedes y no puedes hacer con él hoy. También te recomiendo nuestro análisis de otro modelo nuevo, Kolibri 1, y nuestras guías de Kimi K3 y DeepSeek V4.1 Flash vs Gemini 3.8 Flash.
Resumen
Beam es el primer modelo open-weight de Reflection AI, un modelo Mixture-of-Experts (MoE) de 501B parámetros que activa solo 23B por token generado.
La propuesta es inteligencia por token, no pico de capacidad: Reflection afirma que iguala a GLM 5.2 en razonamiento usando entre 3 y 4 veces menos cómputo de inferencia.
Kimi K3 sigue liderando en capacidad bruta, y DeepSeek V4.1 Flash marca los mejores resultados en benchmarks individuales como Terminal-Bench v2.1 y DeepSWE.
Las weights se publicarán bajo Apache 2.0 a finales de octubre de 2026, así que de momento no puedes autoalojarlo, cuantizarlo ni ajustarlo fino.
¿Qué es Beam de Reflection AI?
Beam es un modelo escaso Mixture-of-Experts de 501.000 millones de parámetros de Reflection AI, diseñado para tareas de código, razonamiento y agentes. Solo 23.000 millones están activos en cada token.
Es el primer lanzamiento open-weight del laboratorio y el primer modelo de una serie planificada.
Por dentro, Beam tiene 52 capas, reparte su conocimiento entre muchos "expertos" pequeños y especializados (solo unos pocos se activan por token) y combina atención local con atención global sobre toda la entrada.
La escasez es el núcleo del argumento.
Un modelo de la clase de más de 2T como Qwen 3.8-Max activa muchos más parámetros por token, así que cada token generado cuesta más cómputo.
La apuesta de Reflection es que una huella activa de 23B, exprimida con refuerzo (RL), se acerque lo suficiente en código y trabajo agentivo como para que la diferencia de coste compense.
Donde Reflection ha invertido es en la escala de entrenamiento. El preentrenamiento con 23,8 billones de tokens duró menos de 4 semanas en 6.144 NVIDIA GB300, con un 92,3% de utilización útil hacia el final y 9 reinicios desde checkpoints anteriores.
La fase de RL corrió aparte en 10.500 GB300 durante 4 semanas. Generó más de 100 millones de rollouts (intentos completos de una tarea) sobre ~1 millón de tareas curadas de código, agentes y STEM, usando unos 1.300 millones de entornos aislados para ejecutarlas y evaluarlas.
Reflection también informa de que la capacidad siguió mejorando a medida que aumentaba el cómputo de RL, sin meseta al final. Es la afirmación que más me gustaría ver validada externamente, porque sustenta que ya están entrenando el siguiente modelo de la serie.
Funciones clave de Beam
Beam es solo de texto: no admite entrada de imagen ni de audio.
Lo que sí ofrece es un conjunto de controles y capacidades pensadas directamente para quienes ejecutan agentes de codificación.
Un dial de esfuerzo de razonamiento por solicitud
Beam expone un parámetro de esfuerzo de razonamiento para decidir cuántos tokens de "pensamiento" recibe una tarea. La API acepta low, medium (por defecto), high, xhigh y max, pero no permite desactivar el razonamiento por completo.
Los valores bajos favorecen respuestas cortas; los altos permiten razonamientos más largos en problemas difíciles.
Este dial es resultado directo del entrenamiento de Beam.
Durante el RL, Reflection usó una penalización de longitud ajustable que premiaba soluciones correctas y desincentivaba tokens extra. Informan de que, al principio, el rendimiento mejoró mientras las respuestas se acortaban.
Después, a medida que crecía la capacidad agentiva, las respuestas volvieron a alargarse, y esos tokens extra se justificaban.
Contexto de 1M de tokens para trabajo de repositorios completos
Midtraining amplía el contexto efectivo de Beam hasta 1 millón de tokens, entrenado con repositorios de código estructurados, tareas de largo recorrido y documentos extensos.
Hay dos matices. Los rollouts de RL usaron un máximo de 256K tokens de contexto, así que el comportamiento agentivo se aprendió a un cuarto de esa longitud, y la API beta limita actualmente las solicitudes a 262.144 tokens (entrada + salida), con salidas de hasta 131.072 tokens.
El contexto largo en papel y en práctica no siempre es lo mismo. Beam logra 65,5 en LongBench v2 frente a 66,3 de Qwen 3.8-Max y 64,0 de GLM 5.2, y 79,3 en AA-LCR, donde Kimi K3 llega a 88,7. Es útil para entradas largas, pero no líder.
Habilidades agentivas que generalizan a tareas no vistas
El resultado más interesante del anuncio no tiene que ver con un leaderboard.
En una fase de entrenamiento centrada en razonamiento, ingeniería de software y terminal, sin tareas de navegación en el RL, las puntuaciones de navegación de Beam mejoraron de todos modos.
Con acceso web, el modelo dedujo por sí mismo que podía consultar otros modelos de lenguaje y llamar a APIs de OCR para leer documentos que no veía.
Las demos de Reflection van más allá: un mapa en vivo del metro de Nueva York con datos públicos de la MTA, un juego 3D de caída libre en p5.js construido íntegramente vía texto, y un cuaderno de fine-tuning de Gemma 4 montado en OpenCode a partir de documentación de Unsloth, que elevó la accuracy del test retenido de Gemma un 66,5%.
Una prueba de generalización del anuncio merece mención porque es difícil que apareciera en los datos de entrenamiento.
Reflection recreó un puzzle de cuadrícula viral publicado en X pocos días antes del lanzamiento, pidiendo a Beam clasificar cada uno de los 16.200 puntos de una cuadrícula mundial fija de 180x90 como tierra o agua. Beam acertó el 95,5%, entre Opus 5 con 92,5% y Fable 5 con 97,8%.
RL asíncrono con hasta un día de desfase
Beam se entrenó con RL asíncrono: el modelo sigue generando rollouts mientras las actualizaciones de entrenamiento ocurren en paralelo, en lugar de esperar. Así, un rollout largo puede contener tokens producidos por varias versiones del modelo.
Reflection informa de aprendizaje estable incluso cuando la muestra más antigua de un batch provenía de una versión 107 actualizaciones por detrás de la actual, aproximadamente un día de desfase.
Si construyes sistemas de RL, los números de infraestructura interesan:
110K rollouts concurrentes de media, con hasta 170K sandboxes simultáneos
Unos 12 segundos (mediana) para que los nuevos pesos lleguen a los servidores de inferencia
71 incidentes de inferencia gestionados sin detener el job de entrenamiento
Pesos abiertos bajo Apache 2.0 y toda la pila alrededor
Reflection publicará los pesos de Beam bajo Apache 2.0 a finales de octubre de 2026, junto con el informe técnico, la model card, la documentación y herramientas para ejecutar, evaluar y ajustar el modelo.
También planea open-sourcear las evaluaciones internas de seguridad que ha construido, algo menos habitual que la publicación de los pesos.
Apache 2.0 es de las licencias más permisivas: uso comercial, redistribución y modificación, sin umbrales de usuarios ni ingresos.
Importa porque Kimi K3 y DeepSeek V4.1 Flash han marcado el listón de lo que debe permitir un modelo abierto, y una licencia restrictiva habría sacado a Beam de la conversación.
¿Cómo rinde Beam en los benchmarks?
Beam cae más o menos donde está GLM 5.2 en la mayoría de evaluaciones, muy por delante de Inkling y Nemotron 3 Ultra, y claramente por detrás de Kimi K3, GLM 5.3 y DeepSeek V4.1 Flash en las tareas de codificación agentiva más duras.
Reflection es transparente: el punto fuerte de Beam es la eficiencia, no el pico de capacidad.
Las cifras siguientes son las reportadas por los proveedores; las de los rivales proceden de Artificial Analysis y DataCurve, recopiladas por Reflection.
Flujos de trabajo de código y agentes
El titular de código de Beam es 80,9 en SWE-bench Verified, frente a 77,6 de Inkling y 70,7 de Nemotron 3 Ultra.
SWE-bench Verified es un conjunto revisado por personas con issues reales de GitHub donde el modelo debe escribir un fix que pase los tests del propio proyecto; sigue siendo el primer benchmark que mira la mayoría de profesionales.
En el resto, la foto es menos halagüeña.
Frente a los modelos reales entre los que decidirías, Beam va por detrás en todos los benchmarks de codificación agentiva con comparación disponible.
Benchmark
Beam
GLM 5.2
GLM 5.3
Kimi K3
DeepSeek V4.1 Flash
Terminal-Bench v2.1
80,1
81,0
88,2
88,3
90,6
DeepSWE v1.1
44,4
44,0
61,0
68,0
74,2
SWE-bench Pro v2-Hard
77,2
NR
84,3
88,2
NR
SWE Atlas Codebase QnA
34,6
NR
61,0
68,0
NR
NR = no reportado.
Las brechas en DeepSWE y SWE Atlas son grandes.
DeepSWE v1.1 evalúa ingeniería de software agentiva de múltiples pasos, no arreglos puntuales, y 29,8 puntos menos que DeepSeek V4.1 Flash no es un detalle menor.
En SWE-bench Pro v1, los 65,5 de Beam superan los 62,1 de GLM 5.2 y quedan justo por debajo de los 67,7 de Qwen 3.8-Max.
Razonamiento y conocimiento
En Humanity's Last Exam (HLE) sin herramientas, Beam puntúa 36,2 frente a 40,5 de GLM 5.2, 42,3 de GLM 5.3, 43,6 de Qwen 3.8-Max y 46,9 de Kimi K3.
HLE es un conjunto de preguntas de expertos diseñado para que la búsqueda y la memorización ayuden poco, y suele premiar a los modelos más grandes de este grupo.
El resto del paquete de razonamiento está más ajustado:
AIME 2026: Beam 97,8; Inkling 97,1; GLM 5.2 99,2
GPQA Diamond: Beam 90,5; GLM 5.3 91,7; Kimi K3 93,5
SciCode: Beam 49,7; Qwen 3.8-Max 52,1; Kimi K3 58,7
CritPt: Beam 15,6; GLM 5.3 19,1; Kimi K3 23,4
Casi todos los modelos rozan el techo en AIME, así que ya no discrimina; y 3 puntos en GPQA Diamond respecto a Kimi K3 no deciden un despliegue en producción.
CritPt, con problemas de física a nivel de investigación, sí marca diferencia: Kimi K3 puntúa alrededor de un 50% más que Beam.
Llamadas a herramientas y búsqueda
Los resultados de Beam en llamadas a herramientas son los más irregulares.
Logra 37,0 en AutomationBench (conjunto público), por delante de GLM 5.2 con 26,2 pero por detrás de Kimi K3 con 46,7 y DeepSeek V4.1 Flash con 54,8. En MCP Atlas, puntúa 78,7 frente a 77,8 de GLM 5.2 y 84,5 de Qwen 3.8-Max.
En τ³-bench banking, Beam llega a 38,0 frente a 37,1 tanto de GLM 5.2 como de Kimi K3, con Qwen 3.8-Max muy por delante en 55,2. La búsqueda es su punto más débil: 77,4 en BrowseComp y 80,1 en DeepSearchQA con gestión de contexto, frente a 91,2 y 95,0 de Kimi K3. Si tu agente vive en la web abierta, esta es la brecha a vigilar.
Eficiencia de inferencia
La métrica que Reflection quiere que mires es la eficiencia de inferencia.
En su gráfico de eficiencia HLE, Beam alcanza el 35,3% con un cálculo estimado de 0,82 PFLOP (mil billones de operaciones en coma flotante) por intento, mientras que Inkling necesitaría ~4,1 PFLOP para ~26% y Nemotron 3 Ultra ~1,9 PFLOP para ~21%.
La afirmación general es que Beam iguala a GLM 5.2 en razonamiento avanzado usando entre 3 y 4 veces menos cómputo de inferencia, con una brecha mayor respecto a la familia Qwen 3.8-Max de más de 2T.
Lee bien el método: el cómputo se estima como 2 × parámetros activos × número medio de tokens generados por intento. No incluye el coste de procesar el prompt, el sobrecoste de atención en contextos largos ni la sobrecarga de serving.
Es una comparación aproximada de cómputo, no un coste medido en despliegue, y al contar solo parámetros activos, favorece de forma natural a modelos escasos como Beam.
¿Cómo se ha alineado Beam?
Reflection entrenó un modelo separado de seguridad y alineación desde el mismo checkpoint de preentrenamiento y lo combinó con el modelo principal entrenado con RL usando distilación on-policy multi-docente (MOPD), donde un único alumno aprende de dos "profesores" a la vez.
Los principios de alineación se organizan en tres niveles:
Reglas duras que el modelo no debe romper
Cualidades que debe mostrar de forma consistente, como reconocer la incertidumbre
Un estilo de interacción por defecto: directo, minucioso y proactivo
La formación en seguridad usó alineación deliberativa, que enseña al modelo a razonar sobre su política de seguridad antes de responder. Un bucle adversarial generó ataques contra el checkpoint de cada ronda y reinyectó los exitosos en los datos de ajuste supervisado de la siguiente.
Reflection también señala que pudo predecir cuánto mejoraría el RL comportamientos difíciles de evaluar con una correlación r = 0,79, frente a 0,46 con un Best-of-N más simple. Los resultados de evaluación de seguridad llegarán en el informe técnico.
Precio y disponibilidad de Beam
No hay precio publicado para Beam. La documentación para desarrolladores de Reflection no mostraba tarifas por token a 6 de octubre de 2026, lo que impide comparar costes frente a endpoints alojados de Kimi K3 o DeepSeek V4.1 Flash por ahora.
El acceso es vía una beta de API que se abre gradualmente mediante lista de espera.
La URL base documentada es https://api.reflection.ai/openai/v1, y es compatible con OpenAI en sentido limitado: admite Chat Completions y listado de modelos, pero no Responses, Embeddings, Files ni Batch. Los límites y el comportamiento beta pueden cambiar.
La distribución es escasa por ahora. A 6 de octubre de 2026, Beam no estaba en Ollama, ni en el catálogo de OpenRouter, ni en el de models.dev que usa OpenCode, y no había pesos en Hugging Face.
Reflection afirma que lanzará con socios de distribución e integraciones de harness de código abierto junto con la publicación de las weights.
Cómo acceder a Beam de Reflection AI
Las weights de Beam aún no están disponibles.
Reflection se ha comprometido a un lanzamiento Apache 2.0 a finales de octubre de 2026, que cubrirá weights, informe técnico, model card y herramientas para ejecutar, evaluar y ajustar el modelo. Hasta entonces, no puedes autoalojarlo, cuantizarlo, medir cuánta memoria de GPU necesita realmente ni reproducir ninguna puntuación publicada.
Lo que sí puedes hacer hoy es unirte a la lista de espera beta y llamar a la API alojada.
El ID de modelo en la documentación para desarrolladores es Beam-501B-A23B, y como el endpoint usa Chat Completions, el cliente oficial de Python de OpenAI funciona cambiando la URL base.
from openai import OpenAI
client = OpenAI(
base_url="https://api.reflection.ai/openai/v1",
api_key="YOUR_REFLECTION_KEY",)
response = client.chat.completions.create(
model="Beam-501B-A23B",
reasoning_effort="medium",# low, medium, high, xhigh, or max
messages=[{"role":"user","content":"Port this module to the v2 payments API."}],)print(response.choices[0].message.content)Con la tecnología de
Si quieres practicar este patrón con un modelo accesible ahora mismo, nuestro tutorial del API de GPT-6 Sol usa el mismo cliente, incluyendo permisos de herramientas y control de costes para una tarea de migración agentiva.
Conclusiones
Beam es una apuesta open-weight creíble, y el encuadre en eficiencia es el honesto: Kimi K3 y DeepSeek V4.1 Flash lo superan en los benchmarks de codificación agentiva que más pesan, así que el caso de Beam debe ser coste por tarea resuelta, no capacidad máxima.
Yo no planearía en torno a él todavía.
Sin pesos publicados, sin precio y sin una sola reproducción independiente, todo lo aquí citado viene del propio laboratorio que lo entrenó, y la comparación de cómputo omite el procesamiento del prompt y los costes de serving. Vuelve cuando lleguen las weights Apache 2.0 y Artificial Analysis publique sus números.
Beam es el primer modelo open-weight de Reflection AI, anunciado el 5 de octubre de 2026. Es un modelo escaso Mixture-of-Experts con 501.000 millones de parámetros totales y 23.000 millones activos por token, preentrenado con 23,8 billones de tokens y afinado con más de 100 millones de rollouts de aprendizaje por refuerzo. Está orientado a tareas de código, razonamiento y agentes, y es solo de texto.
¿Cómo se compara Beam con Kimi K3 y DeepSeek V4.1 Flash?⌄
Beam queda por detrás en codificación agentiva. En Terminal-Bench v2.1 puntúa 80,1 frente a 88,3 de Kimi K3 y 90,6 de DeepSeek V4.1 Flash; en DeepSWE v1.1 logra 44,4 frente a 68,0 y 74,2, respectivamente. Reflection defiende la eficiencia más que la capacidad pico: Beam afirma razonamiento al nivel de GLM 5.2 con entre 3 y 4 veces menos cómputo de inferencia.
¿Dónde puedo descargar las weights de Beam?⌄
En ningún sitio por ahora. Reflection AI afirma que publicará las weights bajo licencia Apache 2.0 a finales de octubre de 2026, junto con el informe técnico, la model card y las herramientas. A 6 de octubre de 2026, no había weights de Beam en Hugging Face ni aparecía en el catálogo de OpenRouter.
¿Cuánto cuesta usar Beam?⌄
No se ha publicado un precio por token. La documentación de Reflection AI no mostraba tarifas ni precios por modelo a 6 de octubre de 2026, así que no es posible comparar costes frente a otros modelos abiertos alojados por ahora. El acceso es mediante una beta de API con lista de espera abierta.
¿Cuál es el ID del modelo y el endpoint del API de Beam?⌄
El ID de modelo en la documentación de Reflection es Beam-501B-A23B, y la URL base es https://api.reflection.ai/openai/v1. El endpoint admite Chat Completions y listado de modelos, por lo que el cliente de Python de OpenAI funciona cambiando la URL base. Completions, Embeddings y Batches no están soportados.
Escritora y editora de contenidos en el ámbito de la tecnología educativa. Comprometido con la exploración de tendencias de datos y entusiasmado con el aprendizaje de la ciencia de datos.
Aprende a usar la IA como socio sénior de ingeniería para análisis de código, optimización del rendimiento, seguridad y decisiones de arquitectura de software.
Los lanzamientos de modelos open-weight han estado dominados durante un tiempo por laboratorios chinos: las familias GLM, Kimi, Qwen y DeepSeek encabezan las evaluaciones de codificación agentiva.
Beam, de Reflection AI, anunciado el 5 de octubre de 2026, llega con una propuesta clara: impulsar lo que el laboratorio llama la "frontera open-weight occidental" y competir en eficiencia de inferencia más que en capacidad bruta.
En este artículo, te cuento qué es Beam de Reflection AI, las funciones que importan en el trabajo diario, cómo se compara con Kimi K3, DeepSeek V4.1 Flash y la línea GLM 5.x en los benchmarks, y qué puedes y no puedes hacer con él hoy. También te recomiendo nuestro análisis de otro modelo nuevo, Kolibri 1, y nuestras guías de Kimi K3 y DeepSeek V4.1 Flash vs Gemini 3.8 Flash.
Resumen
¿Qué es Beam de Reflection AI?
Beam es un modelo escaso Mixture-of-Experts de 501.000 millones de parámetros de Reflection AI, diseñado para tareas de código, razonamiento y agentes. Solo 23.000 millones están activos en cada token.
Es el primer lanzamiento open-weight del laboratorio y el primer modelo de una serie planificada.
Por dentro, Beam tiene 52 capas, reparte su conocimiento entre muchos "expertos" pequeños y especializados (solo unos pocos se activan por token) y combina atención local con atención global sobre toda la entrada.
La escasez es el núcleo del argumento.
Un modelo de la clase de más de 2T como Qwen 3.8-Max activa muchos más parámetros por token, así que cada token generado cuesta más cómputo.
La apuesta de Reflection es que una huella activa de 23B, exprimida con refuerzo (RL), se acerque lo suficiente en código y trabajo agentivo como para que la diferencia de coste compense.
Donde Reflection ha invertido es en la escala de entrenamiento. El preentrenamiento con 23,8 billones de tokens duró menos de 4 semanas en 6.144 NVIDIA GB300, con un 92,3% de utilización útil hacia el final y 9 reinicios desde checkpoints anteriores.
La fase de RL corrió aparte en 10.500 GB300 durante 4 semanas. Generó más de 100 millones de rollouts (intentos completos de una tarea) sobre ~1 millón de tareas curadas de código, agentes y STEM, usando unos 1.300 millones de entornos aislados para ejecutarlas y evaluarlas.
Reflection también informa de que la capacidad siguió mejorando a medida que aumentaba el cómputo de RL, sin meseta al final. Es la afirmación que más me gustaría ver validada externamente, porque sustenta que ya están entrenando el siguiente modelo de la serie.
Funciones clave de Beam
Beam es solo de texto: no admite entrada de imagen ni de audio.
Lo que sí ofrece es un conjunto de controles y capacidades pensadas directamente para quienes ejecutan agentes de codificación.
Un dial de esfuerzo de razonamiento por solicitud
Beam expone un parámetro de esfuerzo de razonamiento para decidir cuántos tokens de "pensamiento" recibe una tarea. La API acepta
low,medium(por defecto),high,xhighymax, pero no permite desactivar el razonamiento por completo.Los valores bajos favorecen respuestas cortas; los altos permiten razonamientos más largos en problemas difíciles.
Este dial es resultado directo del entrenamiento de Beam.
Durante el RL, Reflection usó una penalización de longitud ajustable que premiaba soluciones correctas y desincentivaba tokens extra. Informan de que, al principio, el rendimiento mejoró mientras las respuestas se acortaban.
Después, a medida que crecía la capacidad agentiva, las respuestas volvieron a alargarse, y esos tokens extra se justificaban.
Contexto de 1M de tokens para trabajo de repositorios completos
Midtraining amplía el contexto efectivo de Beam hasta 1 millón de tokens, entrenado con repositorios de código estructurados, tareas de largo recorrido y documentos extensos.
Hay dos matices. Los rollouts de RL usaron un máximo de 256K tokens de contexto, así que el comportamiento agentivo se aprendió a un cuarto de esa longitud, y la API beta limita actualmente las solicitudes a 262.144 tokens (entrada + salida), con salidas de hasta 131.072 tokens.
El contexto largo en papel y en práctica no siempre es lo mismo. Beam logra 65,5 en LongBench v2 frente a 66,3 de Qwen 3.8-Max y 64,0 de GLM 5.2, y 79,3 en AA-LCR, donde Kimi K3 llega a 88,7. Es útil para entradas largas, pero no líder.
Habilidades agentivas que generalizan a tareas no vistas
El resultado más interesante del anuncio no tiene que ver con un leaderboard.
En una fase de entrenamiento centrada en razonamiento, ingeniería de software y terminal, sin tareas de navegación en el RL, las puntuaciones de navegación de Beam mejoraron de todos modos.
Con acceso web, el modelo dedujo por sí mismo que podía consultar otros modelos de lenguaje y llamar a APIs de OCR para leer documentos que no veía.
Las demos de Reflection van más allá: un mapa en vivo del metro de Nueva York con datos públicos de la MTA, un juego 3D de caída libre en p5.js construido íntegramente vía texto, y un cuaderno de fine-tuning de Gemma 4 montado en OpenCode a partir de documentación de Unsloth, que elevó la accuracy del test retenido de Gemma un 66,5%.
Una prueba de generalización del anuncio merece mención porque es difícil que apareciera en los datos de entrenamiento.
Reflection recreó un puzzle de cuadrícula viral publicado en X pocos días antes del lanzamiento, pidiendo a Beam clasificar cada uno de los 16.200 puntos de una cuadrícula mundial fija de 180x90 como tierra o agua. Beam acertó el 95,5%, entre Opus 5 con 92,5% y Fable 5 con 97,8%.
RL asíncrono con hasta un día de desfase
Beam se entrenó con RL asíncrono: el modelo sigue generando rollouts mientras las actualizaciones de entrenamiento ocurren en paralelo, en lugar de esperar. Así, un rollout largo puede contener tokens producidos por varias versiones del modelo.
Reflection informa de aprendizaje estable incluso cuando la muestra más antigua de un batch provenía de una versión 107 actualizaciones por detrás de la actual, aproximadamente un día de desfase.
Si construyes sistemas de RL, los números de infraestructura interesan:
Pesos abiertos bajo Apache 2.0 y toda la pila alrededor
Reflection publicará los pesos de Beam bajo Apache 2.0 a finales de octubre de 2026, junto con el informe técnico, la model card, la documentación y herramientas para ejecutar, evaluar y ajustar el modelo.
También planea open-sourcear las evaluaciones internas de seguridad que ha construido, algo menos habitual que la publicación de los pesos.
Apache 2.0 es de las licencias más permisivas: uso comercial, redistribución y modificación, sin umbrales de usuarios ni ingresos.
Importa porque Kimi K3 y DeepSeek V4.1 Flash han marcado el listón de lo que debe permitir un modelo abierto, y una licencia restrictiva habría sacado a Beam de la conversación.
¿Cómo rinde Beam en los benchmarks?
Beam cae más o menos donde está GLM 5.2 en la mayoría de evaluaciones, muy por delante de Inkling y Nemotron 3 Ultra, y claramente por detrás de Kimi K3, GLM 5.3 y DeepSeek V4.1 Flash en las tareas de codificación agentiva más duras.
Reflection es transparente: el punto fuerte de Beam es la eficiencia, no el pico de capacidad.
Las cifras siguientes son las reportadas por los proveedores; las de los rivales proceden de Artificial Analysis y DataCurve, recopiladas por Reflection.
Flujos de trabajo de código y agentes
El titular de código de Beam es 80,9 en SWE-bench Verified, frente a 77,6 de Inkling y 70,7 de Nemotron 3 Ultra.
SWE-bench Verified es un conjunto revisado por personas con issues reales de GitHub donde el modelo debe escribir un fix que pase los tests del propio proyecto; sigue siendo el primer benchmark que mira la mayoría de profesionales.
En el resto, la foto es menos halagüeña.
Frente a los modelos reales entre los que decidirías, Beam va por detrás en todos los benchmarks de codificación agentiva con comparación disponible.
NR = no reportado.
Las brechas en DeepSWE y SWE Atlas son grandes.
DeepSWE v1.1 evalúa ingeniería de software agentiva de múltiples pasos, no arreglos puntuales, y 29,8 puntos menos que DeepSeek V4.1 Flash no es un detalle menor.
En SWE-bench Pro v1, los 65,5 de Beam superan los 62,1 de GLM 5.2 y quedan justo por debajo de los 67,7 de Qwen 3.8-Max.
Razonamiento y conocimiento
En Humanity's Last Exam (HLE) sin herramientas, Beam puntúa 36,2 frente a 40,5 de GLM 5.2, 42,3 de GLM 5.3, 43,6 de Qwen 3.8-Max y 46,9 de Kimi K3.
HLE es un conjunto de preguntas de expertos diseñado para que la búsqueda y la memorización ayuden poco, y suele premiar a los modelos más grandes de este grupo.
El resto del paquete de razonamiento está más ajustado:
Casi todos los modelos rozan el techo en AIME, así que ya no discrimina; y 3 puntos en GPQA Diamond respecto a Kimi K3 no deciden un despliegue en producción.
CritPt, con problemas de física a nivel de investigación, sí marca diferencia: Kimi K3 puntúa alrededor de un 50% más que Beam.
Llamadas a herramientas y búsqueda
Los resultados de Beam en llamadas a herramientas son los más irregulares.
Logra 37,0 en AutomationBench (conjunto público), por delante de GLM 5.2 con 26,2 pero por detrás de Kimi K3 con 46,7 y DeepSeek V4.1 Flash con 54,8. En MCP Atlas, puntúa 78,7 frente a 77,8 de GLM 5.2 y 84,5 de Qwen 3.8-Max.
En τ³-bench banking, Beam llega a 38,0 frente a 37,1 tanto de GLM 5.2 como de Kimi K3, con Qwen 3.8-Max muy por delante en 55,2. La búsqueda es su punto más débil: 77,4 en BrowseComp y 80,1 en DeepSearchQA con gestión de contexto, frente a 91,2 y 95,0 de Kimi K3. Si tu agente vive en la web abierta, esta es la brecha a vigilar.
Eficiencia de inferencia
La métrica que Reflection quiere que mires es la eficiencia de inferencia.
En su gráfico de eficiencia HLE, Beam alcanza el 35,3% con un cálculo estimado de 0,82 PFLOP (mil billones de operaciones en coma flotante) por intento, mientras que Inkling necesitaría ~4,1 PFLOP para ~26% y Nemotron 3 Ultra ~1,9 PFLOP para ~21%.
La afirmación general es que Beam iguala a GLM 5.2 en razonamiento avanzado usando entre 3 y 4 veces menos cómputo de inferencia, con una brecha mayor respecto a la familia Qwen 3.8-Max de más de 2T.
Lee bien el método: el cómputo se estima como 2 × parámetros activos × número medio de tokens generados por intento. No incluye el coste de procesar el prompt, el sobrecoste de atención en contextos largos ni la sobrecarga de serving.
Es una comparación aproximada de cómputo, no un coste medido en despliegue, y al contar solo parámetros activos, favorece de forma natural a modelos escasos como Beam.
¿Cómo se ha alineado Beam?
Reflection entrenó un modelo separado de seguridad y alineación desde el mismo checkpoint de preentrenamiento y lo combinó con el modelo principal entrenado con RL usando distilación on-policy multi-docente (MOPD), donde un único alumno aprende de dos "profesores" a la vez.
Los principios de alineación se organizan en tres niveles:
La formación en seguridad usó alineación deliberativa, que enseña al modelo a razonar sobre su política de seguridad antes de responder. Un bucle adversarial generó ataques contra el checkpoint de cada ronda y reinyectó los exitosos en los datos de ajuste supervisado de la siguiente.
Reflection también señala que pudo predecir cuánto mejoraría el RL comportamientos difíciles de evaluar con una correlación r = 0,79, frente a 0,46 con un Best-of-N más simple. Los resultados de evaluación de seguridad llegarán en el informe técnico.
Precio y disponibilidad de Beam
No hay precio publicado para Beam. La documentación para desarrolladores de Reflection no mostraba tarifas por token a 6 de octubre de 2026, lo que impide comparar costes frente a endpoints alojados de Kimi K3 o DeepSeek V4.1 Flash por ahora.
El acceso es vía una beta de API que se abre gradualmente mediante lista de espera.
La URL base documentada es
https://api.reflection.ai/openai/v1, y es compatible con OpenAI en sentido limitado: admite Chat Completions y listado de modelos, pero no Responses, Embeddings, Files ni Batch. Los límites y el comportamiento beta pueden cambiar.La distribución es escasa por ahora. A 6 de octubre de 2026, Beam no estaba en Ollama, ni en el catálogo de OpenRouter, ni en el de models.dev que usa OpenCode, y no había pesos en Hugging Face.
Reflection afirma que lanzará con socios de distribución e integraciones de harness de código abierto junto con la publicación de las weights.
Cómo acceder a Beam de Reflection AI
Las weights de Beam aún no están disponibles.
Reflection se ha comprometido a un lanzamiento Apache 2.0 a finales de octubre de 2026, que cubrirá weights, informe técnico, model card y herramientas para ejecutar, evaluar y ajustar el modelo. Hasta entonces, no puedes autoalojarlo, cuantizarlo, medir cuánta memoria de GPU necesita realmente ni reproducir ninguna puntuación publicada.
Lo que sí puedes hacer hoy es unirte a la lista de espera beta y llamar a la API alojada.
El ID de modelo en la documentación para desarrolladores es
Beam-501B-A23B, y como el endpoint usa Chat Completions, el cliente oficial de Python de OpenAI funciona cambiando la URL base.Si quieres practicar este patrón con un modelo accesible ahora mismo, nuestro tutorial del API de GPT-6 Sol usa el mismo cliente, incluyendo permisos de herramientas y control de costes para una tarea de migración agentiva.
Conclusiones
Beam es una apuesta open-weight creíble, y el encuadre en eficiencia es el honesto: Kimi K3 y DeepSeek V4.1 Flash lo superan en los benchmarks de codificación agentiva que más pesan, así que el caso de Beam debe ser coste por tarea resuelta, no capacidad máxima.
Yo no planearía en torno a él todavía.
Sin pesos publicados, sin precio y sin una sola reproducción independiente, todo lo aquí citado viene del propio laboratorio que lo entrenó, y la comparación de cómputo omite el procesamiento del prompt y los costes de serving. Vuelve cuando lleguen las weights Apache 2.0 y Artificial Analysis publique sus números.
Si mientras tanto quieres trabajar con la pila open-weight, nuestro itinerario de aprendizaje AI Fundamentals es un buen punto de partida.