Beam: Model Coding Open-Weight 501B dari Reflection AI
Beam dari Reflection AI menandingi GLM 5.2 dalam penalaran dengan komputasi 3–4x lebih sedikit, tetapi tertinggal dari Kimi K3 dalam agentic coding. Berikut performa model open-weight ini.
Rilis model open-weight untuk sementara didominasi oleh lab Tiongkok, dengan keluarga GLM, Kimi, Qwen, dan DeepSeek memimpin skor pada evaluasi agentic coding.
Beam dari Reflection AI, diumumkan pada 5 Oktober 2026, hadir dengan janji eksplisit: mendorong apa yang mereka sebut sebagai "frontier open-weight Barat" dan bersaing pada efisiensi inferensi alih-alih kapabilitas mentah.
Dalam artikel ini, saya akan membahas apa itu Beam dari Reflection AI, fitur-fitur yang relevan untuk pekerjaan sehari-hari, bagaimana perbandingannya dengan Kimi K3, DeepSeek V4.1 Flash, dan lini GLM 5.x pada berbagai benchmark, serta apa yang sudah dan belum bisa Anda lakukan dengannya hari ini. Saya juga merekomendasikan panduan kami untuk model baru lainnya, Kolibri 1, serta panduan kami untuk Kimi K3 dan DeepSeek V4.1 Flash vs Gemini 3.8 Flash.
Ringkasnya
Beam adalah model open-weight pertama Reflection AI, model mixture-of-experts (MoE) dengan 501 miliar parameter yang hanya memakai 23 miliar parameter untuk setiap token yang dihasilkannya.
Nilai jualnya adalah kecerdasan per token, bukan kapabilitas puncak: Reflection menyatakan Beam menyamai GLM 5.2 dalam penalaran sambil menggunakan komputasi inferensi 3 hingga 4 kali lebih sedikit.
Kimi K3 masih memimpin dalam kapabilitas mentah, dan DeepSeek V4.1 Flash membukukan skor tertinggi pada benchmark individual seperti Terminal-Bench v2.1 dan DeepSWE.
Bobot model dijanjikan di bawah Apache 2.0 pada akhir Oktober 2026, jadi Anda belum bisa self-host, mengkuantisasi, atau melakukan fine-tuning.
Apa Itu Beam dari Reflection AI?
Beam adalah model sparse mixture-of-experts berparameter 501 miliar dari Reflection AI, dibuat untuk kebutuhan coding, penalaran, dan agentic. Hanya 23 miliar parameter yang aktif pada setiap token.
Ini adalah rilis open-weight pertama lab tersebut dan model pertama dalam seri yang direncanakan.
Di balik layar, Beam memiliki 52 layer, membagi pengetahuannya ke banyak "ahli" spesialis kecil (hanya beberapa yang berjalan per token), dan memadukan atensi yang melihat teks sekitar dengan atensi yang melihat seluruh masukan.
Kelangkaan (sparsity) adalah argumen utamanya.
Model kelas 2T-plus seperti Qwen 3.8-Max mengaktifkan jauh lebih banyak parameter per token, sehingga setiap token yang dihasilkan membutuhkan komputasi lebih besar.
Taruhan Reflection adalah bahwa jejak aktif 23B, didorong kuat dengan reinforcement learning (RL), cukup mendekati pada pekerjaan coding dan agentic untuk membuat perbedaan biaya menjadi layak.
Skala pelatihan adalah tempat Reflection menginvestasikan uangnya. Pretraining pada 23,8 triliun token memakan waktu kurang dari 4 minggu di 6.144 GPU NVIDIA GB300, dengan klaster melakukan pekerjaan berguna 92,3% pada akhir run dan 9 kali restart dari checkpoint sebelumnya di sepanjang proses.
Fase RL kemudian berjalan terpisah pada 10.500 GB300 selama 4 minggu. Fase ini menghasilkan lebih dari 100 juta rollout (upaya lengkap menyelesaikan tugas) di sekitar 1 juta tugas coding, agentic, dan STEM yang dikurasi, menggunakan sekitar 1,3 miliar lingkungan sandbox untuk menjalankan dan menilai.
Reflection juga melaporkan bahwa kapabilitas terus meningkat seiring peningkatan komputasi RL, tanpa plateau hingga akhir run. Ini klaim yang paling ingin saya lihat diuji eksternal, karena menjadi dasar pernyataan lab bahwa mereka sudah melatih model berikutnya dalam seri ini.
Fitur Utama Beam
Beam hanya mendukung teks, jadi tidak ada input gambar atau audio.
Yang ditawarkannya adalah serangkaian kontrol dan kapabilitas yang ditujukan langsung untuk orang yang menjalankan coding agent.
Kenop upaya penalaran yang diatur per permintaan
Beam mengekspos parameter upaya penalaran, sehingga Anda memilih berapa banyak token berpikir yang diberikan untuk suatu tugas. API menerima low, medium (default), high, xhigh, dan max, tetapi penalaran tidak dapat dimatikan sepenuhnya.
Setelan lebih rendah memihak jawaban singkat; setelan lebih tinggi memungkinkan penalaran lebih panjang pada masalah yang lebih sulit.
Kenop ini merupakan hasil langsung dari cara Beam dilatih.
Selama RL, Reflection menggunakan penalti panjang yang dapat disesuaikan yang memberi penghargaan pada solusi benar sambil mengurangi token berlebih. Mereka melaporkan bahwa pada awal pelatihan, kinerja meningkat sementara respons justru menjadi lebih pendek.
Belakangan, ketika kemampuan agentic tumbuh, respons kembali memanjang, dan token ekstra tersebut terbukti sepadan.
Konteks 1 juta token untuk pekerjaan selevel repositori
Midtraining memperluas konteks efektif Beam hingga 1 juta token, dilatih pada repositori kode terstruktur, tugas berjangka panjang, dan dokumen panjang.
Ada dua catatan. Rollout RL berjalan dengan konteks maksimum 256K token, sehingga perilaku agentic Beam dipelajari pada seperempat panjang itu, dan API beta saat ini membatasi permintaan pada 262.144 token (input plus output), dengan output dibatasi 131.072 token.
Konteks panjang di atas kertas dan dalam praktik adalah dua hal berbeda. Beam mencetak 65,5 pada LongBench v2 dibanding 66,3 untuk Qwen 3.8-Max dan 64,0 untuk GLM 5.2, serta 79,3 pada AA-LCR, di mana Kimi K3 mencapai 88,7. Ini membuat Beam berguna untuk input panjang, tetapi bukan yang terdepan di kelasnya.
Keterampilan agentic yang terbawa ke tugas yang belum pernah dilatih
Hasil paling menarik dalam pengumuman ini tidak ada kaitannya dengan papan peringkat.
Selama fase pelatihan yang mencakup penalaran, rekayasa perangkat lunak, dan tugas terminal, tanpa tugas browsing sama sekali dalam campuran RL, skor browsing Beam tetap meningkat.
Dengan akses web, model menyimpulkan sendiri bahwa ia dapat menanyakan model bahasa lain dan memanggil API optical character recognition (OCR) untuk membaca dokumen yang tidak dapat dilihatnya.
Demo Reflection mendorong ini lebih jauh: peta subway NYC live yang dibangun dari data publik MTA, gim jatuh bebas 3D p5.js yang dibuat sepenuhnya melalui teks, dan notebook fine-tuning Gemma 4 yang disusun di OpenCode dari dokumentasi Unsloth, yang meningkatkan akurasi uji tahanan Gemma sebesar 66,5%.
Satu uji generalisasi dari pengumuman tersebut patut disorot karena kecil kemungkinan terlihat di data pelatihan.
Reflection merekonstruksi teka-teki kisi viral yang diposting di X beberapa hari sebelum peluncuran, meminta Beam mengklasifikasikan masing-masing dari 16.200 titik pada kisi dunia tetap 180x90 sebagai daratan atau perairan. Beam benar pada 95,5% kasus, di antara Opus 5 pada 92,5% dan Fable 5 pada 97,8%.
RL asinkron dengan lag hingga satu hari
Beam dilatih dengan RL asinkron, artinya model terus menghasilkan rollout sementara pembaruan pelatihan terjadi secara paralel, alih-alih saling menunggu. Satu rollout panjang karenanya dapat berisi token yang dihasilkan oleh beberapa versi model yang berbeda.
Reflection melaporkan pembelajaran stabil bahkan ketika sampel tertua dalam satu batch berasal dari versi model yang tertinggal 107 pembaruan dari versi saat ini, kira-kira tertinggal satu hari.
Angka infrastruktur menarik untuk dilihat jika Anda membangun sistem RL:
Rata-rata 110K rollout konkuren, dengan hingga 170K sandbox konkuren
Sekitar 12 detik (median) hingga bobot baru mencapai server inferensi
71 insiden inferensi ditangani tanpa menghentikan pekerjaan pelatihan
Bobot terbuka di bawah Apache 2.0, plus tumpukan di sekelilingnya
Reflection mengatakan akan memublikasikan bobot Beam di bawah Apache 2.0 pada akhir Oktober 2026, bersama laporan teknis, kartu model, dokumentasi, dan tooling untuk menjalankan, mengevaluasi, dan melakukan fine-tuning model.
Mereka juga berencana open-source evaluasi keamanan internal yang dibangun, yang lebih jarang dilakukan dibanding rilis bobot itu sendiri.
Apache 2.0 termasuk yang paling permisif: penggunaan komersial, redistribusi, dan modifikasi, tanpa ambang pengguna atau pendapatan.
Ini penting karena Kimi K3 dan DeepSeek V4.1 Flash telah membentuk ekspektasi tentang apa yang seharusnya dapat dilakukan model open, dan lisensi restriktif akan mengeluarkan Beam dari pembahasan.
Bagaimana Performa Beam pada Benchmark?
Secara umum Beam mendarat di kisaran posisi GLM 5.2 pada sebagian besar evaluasi, jauh di depan Inkling dan Nemotron 3 Ultra, dan jelas tertinggal dari Kimi K3, GLM 5.3, dan DeepSeek V4.1 Flash pada tugas agentic coding yang paling sulit.
Reflection menyampaikan ini secara terbuka, membingkai keunggulan Beam sebagai efisiensi alih-alih kapabilitas puncak.
Semua angka di bawah ini dilaporkan vendor, dengan skor pesaing diambil Reflection dari Artificial Analysis dan DataCurve.
Workflow coding dan agentic
Angka utama coding Beam adalah 80,9 pada SWE-bench Verified, dibanding 77,6 untuk Inkling dan 70,7 untuk Nemotron 3 Ultra.
SWE-bench Verified adalah himpunan isu GitHub nyata yang diperiksa manusia, di mana model harus menulis perbaikan yang lolos uji proyeknya sendiri, dan tetap menjadi benchmark pertama yang dilihat kebanyakan praktisi.
Di tempat lain, gambarnya kurang menggembirakan.
Terhadap model-model yang benar-benar akan Anda pilih, Beam tertinggal pada setiap benchmark agentic coding yang memiliki skor pembanding.
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 = tidak dilaporkan.
Kesenjangan pada DeepSWE dan SWE Atlas cukup besar.
DeepSWE v1.1 menguji rekayasa perangkat lunak agentic multilangkah, bukan perbaikan tunggal, dan selisih 29,8 poin dengan DeepSeek V4.1 Flash bukan sekadar pembulatan.
Pada SWE-bench Pro v1, skor 65,5 Beam mengalahkan 62,1 milik GLM 5.2 dan berada sedikit di bawah 67,7 milik Qwen 3.8-Max.
Tugas penalaran dan pengetahuan
Pada Humanity's Last Exam (HLE) tanpa alat, Beam mencetak 36,2 dibanding 40,5 untuk GLM 5.2, 42,3 untuk GLM 5.3, 43,6 untuk Qwen 3.8-Max, dan 46,9 untuk Kimi K3.
HLE adalah himpunan pertanyaan yang ditulis pakar dan dirancang agar pencarian dan hafalan tidak banyak membantu, dan cenderung menguntungkan model yang lebih besar dalam kelompok ini.
Sisa rangkaian penalaran lebih ketat:
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
Hampir semua model di sini mencetak dekat puncak pada AIME, sehingga tidak lagi memisahkan mereka, dan selisih 3 poin GPQA Diamond dengan Kimi K3 bukan faktor penentu untuk implementasi produksi.
CritPt, benchmark masalah fisika tingkat riset, adalah tempat perbedaannya terasa, dengan Kimi K3 mencetak sekitar 50% lebih tinggi daripada Beam.
Pemanggilan alat dan pencarian
Hasil pemanggilan alat Beam adalah yang paling tidak merata.
Beam mencetak 37,0 pada AutomationBench (set publik), di depan GLM 5.2 pada 26,2 tetapi di belakang Kimi K3 pada 46,7 dan DeepSeek V4.1 Flash pada 54,8. Pada MCP Atlas, Beam mencetak 78,7 dibanding 77,8 untuk GLM 5.2 dan 84,5 untuk Qwen 3.8-Max.
Pada τ³-bench perbankan, Beam mencapai 38,0 dibanding 37,1 untuk GLM 5.2 dan Kimi K3, dengan Qwen 3.8-Max jauh di depan pada 55,2. Pencarian adalah area terlemah: 77,4 pada BrowseComp dan 80,1 pada DeepSearchQA dengan manajemen konteks, dibanding 91,2 dan 95,0 milik Kimi K3. Jika agen Anda hidup di web terbuka, kesenjangan itu yang paling perlu diperhatikan.
Efisiensi inferensi
Efisiensi inferensi adalah angka yang sebenarnya ingin Anda lihat menurut Reflection.
Pada bagan efisiensi HLE milik Reflection, Beam mencapai 35,3% pada estimasi 0,82 PFLOP (quadrillion floating-point operations) komputasi per percobaan, sementara Inkling membutuhkan sekitar 4,1 PFLOP untuk mencapai kira-kira 26% dan Nemotron 3 Ultra sekitar 1,9 PFLOP untuk sekitar 21%.
Klaim yang lebih luas dari Reflection adalah bahwa Beam menyamai GLM 5.2 pada penalaran tingkat lanjut sambil menggunakan komputasi inferensi 3 hingga 4 kali lebih sedikit, dengan kesenjangan lebih besar terhadap keluarga Qwen 3.8-Max yang 2T-plus.
Baca metodenya dengan cermat: komputasi diestimasi sebagai 2 kali parameter aktif dikali rata-rata jumlah token yang dihasilkan per percobaan. Ini tidak memasukkan biaya pemrosesan prompt, biaya atensi ekstra untuk konteks panjang, dan overhead penyajian.
Ini adalah perbandingan komputasi perkiraan, bukan biaya penerapan terukur, dan karena hanya menghitung parameter aktif, secara alami menguntungkan model sparse seperti Beam.
Bagaimana Beam Disejajarkan (Aligned)?
Reflection melatih model keselamatan dan alignment terpisah dari checkpoint pretraining yang sama, lalu menggabungkannya dengan model utama yang dilatih RL menggunakan multi-teacher on-policy distillation (MOPD), di mana satu model student belajar dari dua model "teacher" sekaligus.
Prinsip alignment diatur dalam tiga tingkatan:
Aturan keras yang tidak boleh dilanggar model
Kualitas yang harus konsisten ditunjukkan, seperti mengakui ketidakpastian
Gaya interaksi default yang digambarkan sebagai langsung, menyeluruh, dan proaktif
Pelatihan keselamatan menggunakan deliberative alignment, yang mengajarkan model untuk menalar melalui kebijakan keselamatannya sebelum menjawab. Sebuah loop adversarial menghasilkan serangan terhadap checkpoint setiap putaran dan memasukkan yang berhasil kembali ke data supervised fine-tuning putaran berikutnya.
Reflection juga melaporkan dapat memprediksi seberapa jauh RL akan meningkatkan perilaku yang sulit dinilai dengan korelasi r = 0,79, dibanding 0,46 menggunakan baseline Best-of-N yang lebih sederhana. Hasil evaluasi keselamatan dijanjikan dalam laporan teknis, bukan dipublikasikan sekarang.
Harga dan Ketersediaan Beam
Belum ada harga yang dipublikasikan untuk Beam. Dokumentasi pengembang Reflection tidak memiliki daftar tarif per token per 6 Oktober 2026, sehingga perbandingan biaya terhadap endpoint terhost Kimi K3 atau DeepSeek V4.1 Flash belum mungkin dilakukan.
Akses melalui beta API yang dibuka bertahap via daftar tunggu.
Base URL yang didokumentasikan adalah https://api.reflection.ai/openai/v1, dan kompatibel dengan OpenAI dalam arti sempit: Chat Completions dan daftar model didukung, sementara Responses, Embeddings, Files, dan Batch tidak. Batas dan perilaku beta dinyatakan dapat berubah.
Distribusi sejauh ini masih tipis. Saat saya cek pada 6 Oktober 2026, Beam belum ada di Ollama, belum di katalog OpenRouter, belum di katalog models.dev yang digunakan OpenCode, dan belum ada bobotnya di Hugging Face.
Reflection mengatakan akan meluncurkan dengan mitra distribusi dan integrasi harness open-source bersamaan dengan rilis bobot.
Cara Mengakses Beam dari Reflection AI
Bobot Beam belum dirilis.
Reflection berkomitmen merilis Apache 2.0 pada akhir Oktober 2026, mencakup bobot, laporan teknis, kartu model, dan tooling untuk menjalankan, mengevaluasi, dan melakukan fine-tuning model. Sampai itu hadir, Anda tidak bisa men-deploy sendiri, mengkuantisasi, mengukur kebutuhan memori GPU sebenarnya, atau mereproduksi skor yang dipublikasikan.
Yang bisa Anda lakukan hari ini adalah bergabung ke daftar tunggu beta dan memanggil API terhost.
ID model dalam dokumentasi pengembang adalah Beam-501B-A23B, dan karena endpoint mendukung Chat Completions, klien Python resmi OpenAI dapat digunakan setelah Anda mengganti base URL.
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)Didukung oleh
Jika Anda ingin berlatih pola ini dengan model yang bisa diakses sekarang, tutorial API GPT-6 Sol kami menggunakan kode klien yang sama, termasuk izin alat dan pelacakan biaya untuk tugas migrasi agentic.
Pemikiran Akhir
Beam adalah entri open-weight yang kredibel, dan bingkai efisiensi adalah yang paling tepat: Kimi K3 dan DeepSeek V4.1 Flash mengunggulinya pada benchmark agentic coding yang paling penting, jadi argumen untuk Beam harus berupa biaya per tugas terselesaikan, bukan kapabilitas.
Saya belum akan menjadikannya landasan rencana.
Tanpa bobot yang dipublikasikan, harga, atau satu pun reproduksi independen, setiap klaim di sini berasal dari lab yang melatih model, dan perbandingan komputasi mengabaikan biaya pemrosesan prompt dan penyajian. Kembali cek ketika bobot Apache 2.0 dirilis dan Artificial Analysis memublikasikan angkanya sendiri.
Jika Anda ingin langsung praktik dengan tumpukan open-weight sementara itu, AI Fundamentals skill track kami adalah tempat yang baik untuk membangun dasar-dasarnya.
FAQ
Apa itu model Beam dari Reflection AI?⌄
Beam adalah model open-weight pertama Reflection AI, diumumkan pada 5 Oktober 2026. Ini adalah model sparse mixture-of-experts dengan total 501 miliar parameter dan 23 miliar yang aktif per token, dipra-latih pada 23,8 triliun token dan dituning dengan lebih dari 100 juta rollout reinforcement learning. Model ini menargetkan beban kerja coding, penalaran, dan agentic, serta hanya berbasis teks.
Bagaimana perbandingan Beam dengan Kimi K3 dan DeepSeek V4.1 Flash?⌄
Beam tertinggal pada keduanya dalam agentic coding. Pada Terminal-Bench v2.1 skornya 80,1 dibanding 88,3 milik Kimi K3 dan 90,6 milik DeepSeek V4.1 Flash, dan pada DeepSWE v1.1 skornya 44,4 dibanding masing-masing 68,0 dan 74,2. Argumen Reflection adalah efisiensi alih-alih kapabilitas puncak: Beam mengklaim penalaran setara GLM 5.2 dengan komputasi inferensi 3 hingga 4 kali lebih sedikit.
Di mana saya bisa mengunduh bobot Beam?⌄
Belum tersedia di mana pun. Reflection AI mengatakan akan memublikasikan bobot di bawah lisensi Apache 2.0 pada akhir Oktober 2026, bersama laporan teknis, kartu model, dan tooling. Per 6 Oktober 2026, belum ada bobot Beam yang tercantum di Hugging Face, dan Beam belum ada di katalog OpenRouter.
Berapa biaya penggunaan Beam?⌄
Belum ada harga per token yang dipublikasikan. Dokumentasi pengembang Reflection AI tidak memuat daftar tarif dan tidak ada harga listing model per 6 Oktober 2026, sehingga perbandingan biaya terhost dengan model open lain belum bisa dilakukan. Akses saat ini melalui beta API dengan daftar tunggu yang dapat diikuti gratis.
Apa ID model API dan endpoint Beam?⌄
ID model dalam dokumentasi pengembang Reflection adalah Beam-501B-A23B, dan base URL-nya https://api.reflection.ai/openai/v1. Endpoint mendukung Chat Completions dan daftar model, sehingga klien Python OpenAI dapat digunakan dengan mengganti base URL. Completions, Embeddings, dan Batches tidak didukung.
Kuasai pertanyaan wawancara basis data, dari konsep SQL dasar hingga skenario desain sistem tingkat lanjut. Panduan mendalam ini mencakup semua yang Anda perlukan untuk sukses di wawancara DBMS dan meraih peran berikutnya.
Temukan alasan mengapa Anda sebaiknya (tidak) menggunakan spaghetti plot untuk menyampaikan ketidakpastian jalur prediksi badai serta dampaknya terhadap interpretasi.
Pelajari cara menggunakan AI sebagai mitra engineering senior untuk analisis kode, optimasi performa, keamanan, dan keputusan arsitektur perangkat lunak.
Rilis model open-weight untuk sementara didominasi oleh lab Tiongkok, dengan keluarga GLM, Kimi, Qwen, dan DeepSeek memimpin skor pada evaluasi agentic coding.
Beam dari Reflection AI, diumumkan pada 5 Oktober 2026, hadir dengan janji eksplisit: mendorong apa yang mereka sebut sebagai "frontier open-weight Barat" dan bersaing pada efisiensi inferensi alih-alih kapabilitas mentah.
Dalam artikel ini, saya akan membahas apa itu Beam dari Reflection AI, fitur-fitur yang relevan untuk pekerjaan sehari-hari, bagaimana perbandingannya dengan Kimi K3, DeepSeek V4.1 Flash, dan lini GLM 5.x pada berbagai benchmark, serta apa yang sudah dan belum bisa Anda lakukan dengannya hari ini. Saya juga merekomendasikan panduan kami untuk model baru lainnya, Kolibri 1, serta panduan kami untuk Kimi K3 dan DeepSeek V4.1 Flash vs Gemini 3.8 Flash.
Ringkasnya
Apa Itu Beam dari Reflection AI?
Beam adalah model sparse mixture-of-experts berparameter 501 miliar dari Reflection AI, dibuat untuk kebutuhan coding, penalaran, dan agentic. Hanya 23 miliar parameter yang aktif pada setiap token.
Ini adalah rilis open-weight pertama lab tersebut dan model pertama dalam seri yang direncanakan.
Di balik layar, Beam memiliki 52 layer, membagi pengetahuannya ke banyak "ahli" spesialis kecil (hanya beberapa yang berjalan per token), dan memadukan atensi yang melihat teks sekitar dengan atensi yang melihat seluruh masukan.
Kelangkaan (sparsity) adalah argumen utamanya.
Model kelas 2T-plus seperti Qwen 3.8-Max mengaktifkan jauh lebih banyak parameter per token, sehingga setiap token yang dihasilkan membutuhkan komputasi lebih besar.
Taruhan Reflection adalah bahwa jejak aktif 23B, didorong kuat dengan reinforcement learning (RL), cukup mendekati pada pekerjaan coding dan agentic untuk membuat perbedaan biaya menjadi layak.
Skala pelatihan adalah tempat Reflection menginvestasikan uangnya. Pretraining pada 23,8 triliun token memakan waktu kurang dari 4 minggu di 6.144 GPU NVIDIA GB300, dengan klaster melakukan pekerjaan berguna 92,3% pada akhir run dan 9 kali restart dari checkpoint sebelumnya di sepanjang proses.
Fase RL kemudian berjalan terpisah pada 10.500 GB300 selama 4 minggu. Fase ini menghasilkan lebih dari 100 juta rollout (upaya lengkap menyelesaikan tugas) di sekitar 1 juta tugas coding, agentic, dan STEM yang dikurasi, menggunakan sekitar 1,3 miliar lingkungan sandbox untuk menjalankan dan menilai.
Reflection juga melaporkan bahwa kapabilitas terus meningkat seiring peningkatan komputasi RL, tanpa plateau hingga akhir run. Ini klaim yang paling ingin saya lihat diuji eksternal, karena menjadi dasar pernyataan lab bahwa mereka sudah melatih model berikutnya dalam seri ini.
Fitur Utama Beam
Beam hanya mendukung teks, jadi tidak ada input gambar atau audio.
Yang ditawarkannya adalah serangkaian kontrol dan kapabilitas yang ditujukan langsung untuk orang yang menjalankan coding agent.
Kenop upaya penalaran yang diatur per permintaan
Beam mengekspos parameter upaya penalaran, sehingga Anda memilih berapa banyak token berpikir yang diberikan untuk suatu tugas. API menerima
low,medium(default),high,xhigh, danmax, tetapi penalaran tidak dapat dimatikan sepenuhnya.Setelan lebih rendah memihak jawaban singkat; setelan lebih tinggi memungkinkan penalaran lebih panjang pada masalah yang lebih sulit.
Kenop ini merupakan hasil langsung dari cara Beam dilatih.
Selama RL, Reflection menggunakan penalti panjang yang dapat disesuaikan yang memberi penghargaan pada solusi benar sambil mengurangi token berlebih. Mereka melaporkan bahwa pada awal pelatihan, kinerja meningkat sementara respons justru menjadi lebih pendek.
Belakangan, ketika kemampuan agentic tumbuh, respons kembali memanjang, dan token ekstra tersebut terbukti sepadan.
Konteks 1 juta token untuk pekerjaan selevel repositori
Midtraining memperluas konteks efektif Beam hingga 1 juta token, dilatih pada repositori kode terstruktur, tugas berjangka panjang, dan dokumen panjang.
Ada dua catatan. Rollout RL berjalan dengan konteks maksimum 256K token, sehingga perilaku agentic Beam dipelajari pada seperempat panjang itu, dan API beta saat ini membatasi permintaan pada 262.144 token (input plus output), dengan output dibatasi 131.072 token.
Konteks panjang di atas kertas dan dalam praktik adalah dua hal berbeda. Beam mencetak 65,5 pada LongBench v2 dibanding 66,3 untuk Qwen 3.8-Max dan 64,0 untuk GLM 5.2, serta 79,3 pada AA-LCR, di mana Kimi K3 mencapai 88,7. Ini membuat Beam berguna untuk input panjang, tetapi bukan yang terdepan di kelasnya.
Keterampilan agentic yang terbawa ke tugas yang belum pernah dilatih
Hasil paling menarik dalam pengumuman ini tidak ada kaitannya dengan papan peringkat.
Selama fase pelatihan yang mencakup penalaran, rekayasa perangkat lunak, dan tugas terminal, tanpa tugas browsing sama sekali dalam campuran RL, skor browsing Beam tetap meningkat.
Dengan akses web, model menyimpulkan sendiri bahwa ia dapat menanyakan model bahasa lain dan memanggil API optical character recognition (OCR) untuk membaca dokumen yang tidak dapat dilihatnya.
Demo Reflection mendorong ini lebih jauh: peta subway NYC live yang dibangun dari data publik MTA, gim jatuh bebas 3D p5.js yang dibuat sepenuhnya melalui teks, dan notebook fine-tuning Gemma 4 yang disusun di OpenCode dari dokumentasi Unsloth, yang meningkatkan akurasi uji tahanan Gemma sebesar 66,5%.
Satu uji generalisasi dari pengumuman tersebut patut disorot karena kecil kemungkinan terlihat di data pelatihan.
Reflection merekonstruksi teka-teki kisi viral yang diposting di X beberapa hari sebelum peluncuran, meminta Beam mengklasifikasikan masing-masing dari 16.200 titik pada kisi dunia tetap 180x90 sebagai daratan atau perairan. Beam benar pada 95,5% kasus, di antara Opus 5 pada 92,5% dan Fable 5 pada 97,8%.
RL asinkron dengan lag hingga satu hari
Beam dilatih dengan RL asinkron, artinya model terus menghasilkan rollout sementara pembaruan pelatihan terjadi secara paralel, alih-alih saling menunggu. Satu rollout panjang karenanya dapat berisi token yang dihasilkan oleh beberapa versi model yang berbeda.
Reflection melaporkan pembelajaran stabil bahkan ketika sampel tertua dalam satu batch berasal dari versi model yang tertinggal 107 pembaruan dari versi saat ini, kira-kira tertinggal satu hari.
Angka infrastruktur menarik untuk dilihat jika Anda membangun sistem RL:
Bobot terbuka di bawah Apache 2.0, plus tumpukan di sekelilingnya
Reflection mengatakan akan memublikasikan bobot Beam di bawah Apache 2.0 pada akhir Oktober 2026, bersama laporan teknis, kartu model, dokumentasi, dan tooling untuk menjalankan, mengevaluasi, dan melakukan fine-tuning model.
Mereka juga berencana open-source evaluasi keamanan internal yang dibangun, yang lebih jarang dilakukan dibanding rilis bobot itu sendiri.
Apache 2.0 termasuk yang paling permisif: penggunaan komersial, redistribusi, dan modifikasi, tanpa ambang pengguna atau pendapatan.
Ini penting karena Kimi K3 dan DeepSeek V4.1 Flash telah membentuk ekspektasi tentang apa yang seharusnya dapat dilakukan model open, dan lisensi restriktif akan mengeluarkan Beam dari pembahasan.
Bagaimana Performa Beam pada Benchmark?
Secara umum Beam mendarat di kisaran posisi GLM 5.2 pada sebagian besar evaluasi, jauh di depan Inkling dan Nemotron 3 Ultra, dan jelas tertinggal dari Kimi K3, GLM 5.3, dan DeepSeek V4.1 Flash pada tugas agentic coding yang paling sulit.
Reflection menyampaikan ini secara terbuka, membingkai keunggulan Beam sebagai efisiensi alih-alih kapabilitas puncak.
Semua angka di bawah ini dilaporkan vendor, dengan skor pesaing diambil Reflection dari Artificial Analysis dan DataCurve.
Workflow coding dan agentic
Angka utama coding Beam adalah 80,9 pada SWE-bench Verified, dibanding 77,6 untuk Inkling dan 70,7 untuk Nemotron 3 Ultra.
SWE-bench Verified adalah himpunan isu GitHub nyata yang diperiksa manusia, di mana model harus menulis perbaikan yang lolos uji proyeknya sendiri, dan tetap menjadi benchmark pertama yang dilihat kebanyakan praktisi.
Di tempat lain, gambarnya kurang menggembirakan.
Terhadap model-model yang benar-benar akan Anda pilih, Beam tertinggal pada setiap benchmark agentic coding yang memiliki skor pembanding.
NR = tidak dilaporkan.
Kesenjangan pada DeepSWE dan SWE Atlas cukup besar.
DeepSWE v1.1 menguji rekayasa perangkat lunak agentic multilangkah, bukan perbaikan tunggal, dan selisih 29,8 poin dengan DeepSeek V4.1 Flash bukan sekadar pembulatan.
Pada SWE-bench Pro v1, skor 65,5 Beam mengalahkan 62,1 milik GLM 5.2 dan berada sedikit di bawah 67,7 milik Qwen 3.8-Max.
Tugas penalaran dan pengetahuan
Pada Humanity's Last Exam (HLE) tanpa alat, Beam mencetak 36,2 dibanding 40,5 untuk GLM 5.2, 42,3 untuk GLM 5.3, 43,6 untuk Qwen 3.8-Max, dan 46,9 untuk Kimi K3.
HLE adalah himpunan pertanyaan yang ditulis pakar dan dirancang agar pencarian dan hafalan tidak banyak membantu, dan cenderung menguntungkan model yang lebih besar dalam kelompok ini.
Sisa rangkaian penalaran lebih ketat:
Hampir semua model di sini mencetak dekat puncak pada AIME, sehingga tidak lagi memisahkan mereka, dan selisih 3 poin GPQA Diamond dengan Kimi K3 bukan faktor penentu untuk implementasi produksi.
CritPt, benchmark masalah fisika tingkat riset, adalah tempat perbedaannya terasa, dengan Kimi K3 mencetak sekitar 50% lebih tinggi daripada Beam.
Pemanggilan alat dan pencarian
Hasil pemanggilan alat Beam adalah yang paling tidak merata.
Beam mencetak 37,0 pada AutomationBench (set publik), di depan GLM 5.2 pada 26,2 tetapi di belakang Kimi K3 pada 46,7 dan DeepSeek V4.1 Flash pada 54,8. Pada MCP Atlas, Beam mencetak 78,7 dibanding 77,8 untuk GLM 5.2 dan 84,5 untuk Qwen 3.8-Max.
Pada τ³-bench perbankan, Beam mencapai 38,0 dibanding 37,1 untuk GLM 5.2 dan Kimi K3, dengan Qwen 3.8-Max jauh di depan pada 55,2. Pencarian adalah area terlemah: 77,4 pada BrowseComp dan 80,1 pada DeepSearchQA dengan manajemen konteks, dibanding 91,2 dan 95,0 milik Kimi K3. Jika agen Anda hidup di web terbuka, kesenjangan itu yang paling perlu diperhatikan.
Efisiensi inferensi
Efisiensi inferensi adalah angka yang sebenarnya ingin Anda lihat menurut Reflection.
Pada bagan efisiensi HLE milik Reflection, Beam mencapai 35,3% pada estimasi 0,82 PFLOP (quadrillion floating-point operations) komputasi per percobaan, sementara Inkling membutuhkan sekitar 4,1 PFLOP untuk mencapai kira-kira 26% dan Nemotron 3 Ultra sekitar 1,9 PFLOP untuk sekitar 21%.
Klaim yang lebih luas dari Reflection adalah bahwa Beam menyamai GLM 5.2 pada penalaran tingkat lanjut sambil menggunakan komputasi inferensi 3 hingga 4 kali lebih sedikit, dengan kesenjangan lebih besar terhadap keluarga Qwen 3.8-Max yang 2T-plus.
Baca metodenya dengan cermat: komputasi diestimasi sebagai 2 kali parameter aktif dikali rata-rata jumlah token yang dihasilkan per percobaan. Ini tidak memasukkan biaya pemrosesan prompt, biaya atensi ekstra untuk konteks panjang, dan overhead penyajian.
Ini adalah perbandingan komputasi perkiraan, bukan biaya penerapan terukur, dan karena hanya menghitung parameter aktif, secara alami menguntungkan model sparse seperti Beam.
Bagaimana Beam Disejajarkan (Aligned)?
Reflection melatih model keselamatan dan alignment terpisah dari checkpoint pretraining yang sama, lalu menggabungkannya dengan model utama yang dilatih RL menggunakan multi-teacher on-policy distillation (MOPD), di mana satu model student belajar dari dua model "teacher" sekaligus.
Prinsip alignment diatur dalam tiga tingkatan:
Pelatihan keselamatan menggunakan deliberative alignment, yang mengajarkan model untuk menalar melalui kebijakan keselamatannya sebelum menjawab. Sebuah loop adversarial menghasilkan serangan terhadap checkpoint setiap putaran dan memasukkan yang berhasil kembali ke data supervised fine-tuning putaran berikutnya.
Reflection juga melaporkan dapat memprediksi seberapa jauh RL akan meningkatkan perilaku yang sulit dinilai dengan korelasi r = 0,79, dibanding 0,46 menggunakan baseline Best-of-N yang lebih sederhana. Hasil evaluasi keselamatan dijanjikan dalam laporan teknis, bukan dipublikasikan sekarang.
Harga dan Ketersediaan Beam
Belum ada harga yang dipublikasikan untuk Beam. Dokumentasi pengembang Reflection tidak memiliki daftar tarif per token per 6 Oktober 2026, sehingga perbandingan biaya terhadap endpoint terhost Kimi K3 atau DeepSeek V4.1 Flash belum mungkin dilakukan.
Akses melalui beta API yang dibuka bertahap via daftar tunggu.
Base URL yang didokumentasikan adalah
https://api.reflection.ai/openai/v1, dan kompatibel dengan OpenAI dalam arti sempit: Chat Completions dan daftar model didukung, sementara Responses, Embeddings, Files, dan Batch tidak. Batas dan perilaku beta dinyatakan dapat berubah.Distribusi sejauh ini masih tipis. Saat saya cek pada 6 Oktober 2026, Beam belum ada di Ollama, belum di katalog OpenRouter, belum di katalog models.dev yang digunakan OpenCode, dan belum ada bobotnya di Hugging Face.
Reflection mengatakan akan meluncurkan dengan mitra distribusi dan integrasi harness open-source bersamaan dengan rilis bobot.
Cara Mengakses Beam dari Reflection AI
Bobot Beam belum dirilis.
Reflection berkomitmen merilis Apache 2.0 pada akhir Oktober 2026, mencakup bobot, laporan teknis, kartu model, dan tooling untuk menjalankan, mengevaluasi, dan melakukan fine-tuning model. Sampai itu hadir, Anda tidak bisa men-deploy sendiri, mengkuantisasi, mengukur kebutuhan memori GPU sebenarnya, atau mereproduksi skor yang dipublikasikan.
Yang bisa Anda lakukan hari ini adalah bergabung ke daftar tunggu beta dan memanggil API terhost.
ID model dalam dokumentasi pengembang adalah
Beam-501B-A23B, dan karena endpoint mendukung Chat Completions, klien Python resmi OpenAI dapat digunakan setelah Anda mengganti base URL.Jika Anda ingin berlatih pola ini dengan model yang bisa diakses sekarang, tutorial API GPT-6 Sol kami menggunakan kode klien yang sama, termasuk izin alat dan pelacakan biaya untuk tugas migrasi agentic.
Pemikiran Akhir
Beam adalah entri open-weight yang kredibel, dan bingkai efisiensi adalah yang paling tepat: Kimi K3 dan DeepSeek V4.1 Flash mengunggulinya pada benchmark agentic coding yang paling penting, jadi argumen untuk Beam harus berupa biaya per tugas terselesaikan, bukan kapabilitas.
Saya belum akan menjadikannya landasan rencana.
Tanpa bobot yang dipublikasikan, harga, atau satu pun reproduksi independen, setiap klaim di sini berasal dari lab yang melatih model, dan perbandingan komputasi mengabaikan biaya pemrosesan prompt dan penyajian. Kembali cek ketika bobot Apache 2.0 dirilis dan Artificial Analysis memublikasikan angkanya sendiri.
Jika Anda ingin langsung praktik dengan tumpukan open-weight sementara itu, AI Fundamentals skill track kami adalah tempat yang baik untuk membangun dasar-dasarnya.