Beam: o modelo open-weight de 501B para codificação da Reflection AI
O Beam da Reflection AI iguala o GLM 5.2 em raciocínio com 3 a 4 vezes menos compute, mas fica atrás do Kimi K3 em codificação agentiva. Veja como o modelo open-weight da Reflection AI se sai.
Os lançamentos de modelos open-weight vêm sendo dominados há um tempo por labs chineses: as famílias GLM, Kimi, Qwen e DeepSeek lideram as avaliações de codificação agentiva.
O Beam da Reflection AI, anunciado em 5 de outubro de 2026, chega com uma proposta explícita: avançar o que o lab chama de "fronteira open-weight ocidental" e competir em eficiência de inferência, não apenas em capacidade bruta.
Neste artigo, explico o que é o Beam da Reflection AI, os recursos que importam no dia a dia, como ele se compara ao Kimi K3, DeepSeek V4.1 Flash e à linha GLM 5.x nos benchmarks, e o que você já pode — e ainda não pode — fazer com ele hoje. Também recomendo conferir nosso guia sobre outro modelo novo, Kolibri 1, e nossos guias do Kimi K3 e do DeepSeek V4.1 Flash vs Gemini 3.8 Flash.
Resumo
Beam é o primeiro modelo open-weight da Reflection AI, um MoE (mixture-of-experts) de 501B parâmetros que ativa apenas 23B por token gerado.
O diferencial é inteligência por token, não o pico de capacidade: a Reflection diz que iguala o GLM 5.2 em raciocínio usando 3 a 4 vezes menos computação de inferência.
O Kimi K3 ainda lidera em capacidade bruta, e o DeepSeek V4.1 Flash bate os maiores índices em benchmarks específicos como Terminal-Bench v2.1 e DeepSWE.
Os pesos estão prometidos sob Apache 2.0 no fim de outubro de 2026, então ainda não dá para fazer self-host, quantização ou fine-tuning.
O que é o Beam da Reflection AI?
Beam é um modelo esparso do tipo mixture-of-experts com 501 bilhões de parâmetros da Reflection AI, pensado para codificação, raciocínio e workloads agentivos. Apenas 23 bilhões desses parâmetros ficam ativos em cada token.
É o primeiro lançamento open-weight do lab e o primeiro modelo de uma série planejada.
Por baixo do capô, o Beam tem 52 camadas, divide seu conhecimento em vários "especialistas" pequenos (apenas alguns rodam por token) e combina atenção local, que olha para o texto próximo, com atenção global ao input inteiro.
A esparsidade é o argumento central.
Um modelo na classe de 2T+, como o Qwen 3.8-Max, ativa muito mais parâmetros por token, então cada token gerado custa mais computação.
A aposta da Reflection é que um footprint ativo de 23B, turbinado com reinforcement learning (RL), chegue perto o suficiente em codificação e trabalho agentivo para compensar a diferença de custo.
O investimento pesado foi na escala de treino. O pré-treinamento em 23,8 trilhões de tokens levou menos de 4 semanas em 6.144 GPUs NVIDIA GB300, com o cluster entregando 92,3% de utilização útil no fim do run e 9 reinícios a partir de checkpoints anteriores no caminho.
Depois, a fase de RL rodou separadamente em 10.500 GB300 por 4 semanas. Ela gerou mais de 100 milhões de rollouts (tentativas completas de uma tarefa) em cerca de 1 milhão de tarefas curadas de codificação, agentivas e de STEM, usando aproximadamente 1,3 bilhão de ambientes sandbox para executar e avaliar.
A Reflection também relata que a capacidade continuou melhorando conforme o compute de RL aumentava, sem platô até o fim. Esse é o ponto que eu mais gostaria de ver testado externamente, porque sustenta a afirmação do lab de que já está treinando o próximo modelo da série.
Principais recursos do Beam
O Beam é apenas texto — sem input de imagem ou áudio.
Em troca, ele oferece um conjunto de controles e capacidades focados em quem roda agentes de codificação.
Um controle de esforço de raciocínio por requisição
O Beam expõe um parâmetro de esforço de raciocínio, permitindo escolher quantos tokens de “pensamento” uma tarefa recebe. A API aceita low, medium (padrão), high, xhigh e max, mas o raciocínio não pode ser desligado totalmente.
Configurações mais baixas favorecem respostas curtas; mais altas permitem um raciocínio mais longo em problemas difíceis.
Esse controle é resultado direto do treinamento do Beam.
Durante o RL, a Reflection usou uma penalidade de comprimento ajustável que recompensava soluções corretas e desestimulava tokens extras. Relata que, no começo do treino, a performance melhorou enquanto as respostas ficavam mais curtas.
Depois, com o ganho de habilidade agentiva, as respostas voltaram a ficar mais longas — e esses tokens extras passaram a se pagar.
Contexto de 1M de tokens para trabalhar com repositórios inteiros
O treinamento intermediário estende o contexto efetivo do Beam para 1 milhão de tokens, com treino em repositórios de código estruturados, tarefas de longo horizonte e documentos extensos.
Há dois poréns. Os rollouts de RL rodaram com contexto máximo de 256K tokens, então o comportamento agentivo foi aprendido em um quarto desse comprimento, e a API beta atualmente limita requisições a 262.144 tokens (input + output), com saída limitada a 131.072 tokens.
Contexto longo no papel e na prática são coisas diferentes. O Beam marca 65,5 no LongBench v2 contra 66,3 do Qwen 3.8-Max e 64,0 do GLM 5.2, e 79,3 no AA-LCR, enquanto o Kimi K3 chega a 88,7. É útil para inputs longos, mas não é líder.
Habilidades agentivas que se transferem para tarefas não vistas
O resultado mais interessante do anúncio não tem a ver com leaderboard.
Durante uma fase de treino cobrindo raciocínio, engenharia de software e tarefas de terminal, sem tarefas de navegação no mix de RL, as notas de navegação do Beam melhoraram mesmo assim.
Com acesso à web, o modelo descobriu sozinho que podia consultar outros modelos de linguagem e chamar APIs de OCR para ler documentos que não via.
Os demos da Reflection vão além: um mapa do metrô de Nova York ao vivo a partir de dados públicos da MTA, um jogo 3D de queda livre em p5.js feito só por texto, e um notebook de fine-tuning do Gemma 4 montado no OpenCode a partir da documentação do Unsloth, que elevou a acurácia de teste hold-out do Gemma em 66,5%.
Um teste de generalização do anúncio merece destaque porque é difícil ter aparecido nos dados de treino.
A Reflection recriou um quebra-cabeça de grade viral postado no X poucos dias antes do lançamento, pedindo ao Beam para classificar cada um dos 16.200 pontos de uma grade mundial fixa 180x90 como terra ou água. O Beam acertou 95,5%, entre o Opus 5 com 92,5% e o Fable 5 com 97,8%.
RL assíncrono com até um dia de defasagem
O Beam foi treinado com RL assíncrono, ou seja, o modelo segue gerando rollouts enquanto as atualizações de treino acontecem em paralelo, sem esperar uma pela outra. Um rollout longo pode, portanto, conter tokens produzidos por várias versões do modelo.
A Reflection relata aprendizado estável mesmo quando a amostra mais antiga de um batch vinha de uma versão 107 updates atrás da atual — algo como um dia defasado.
Os números de infraestrutura valem a pena para quem constrói sistemas de RL:
110K rollouts concorrentes em média, com até 170K sandboxes simultâneos
Cerca de 12 segundos (mediana) para os novos pesos chegarem aos servidores de inferência
71 incidentes de inferência tratados sem interromper o job de treinamento
Pesos abertos sob Apache 2.0 e o stack ao redor
A Reflection diz que publicará os pesos do Beam sob Apache 2.0 no fim de outubro de 2026, junto com o relatório técnico, model card, documentação e ferramentas para rodar, avaliar e fazer fine-tuning do modelo.
Também pretende open-sourcear as avaliações internas de segurança que construiu — algo mais raro do que a própria liberação de pesos.
Apache 2.0 é praticamente o máximo de permissividade: uso comercial, redistribuição e modificação, sem limites de usuários ou receita.
Isso importa porque Kimi K3 e DeepSeek V4.1 Flash definiram a expectativa do que um modelo open deve permitir, e uma licença restritiva tiraria o Beam do jogo.
Como o Beam se sai nos benchmarks?
O Beam fica mais ou menos onde o GLM 5.2 aparece na maioria das avaliações, bem à frente do Inkling e do Nemotron 3 Ultra, e claramente atrás do Kimi K3, GLM 5.3 e DeepSeek V4.1 Flash nas tarefas de codificação agentiva mais difíceis.
A Reflection é direta quanto a isso, posicionando a vantagem do Beam como eficiência, não pico de capacidade.
Todos os números abaixo são informados pelos fornecedores, com as notas dos rivais obtidas pela Reflection no Artificial Analysis e no DataCurve.
Fluxos de trabalho de codificação e agentes
O número de destaque em codificação do Beam é 80,9 no SWE-bench Verified, contra 77,6 do Inkling e 70,7 do Nemotron 3 Ultra.
O SWE-bench Verified é um conjunto validado por humanos com issues reais do GitHub em que o modelo precisa escrever um fix que passe nos testes do próprio projeto — e continua sendo o primeiro benchmark que muita gente olha.
Fora isso, o cenário é menos favorável.
Contra os modelos entre os quais você de fato escolheria, o Beam fica atrás em todo benchmark de codificação agentiva com comparação disponível.
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 = não reportado.
Os gaps no DeepSWE e no SWE Atlas são grandes.
O DeepSWE v1.1 testa engenharia de software agentiva multi-etapas, não correções únicas, e um déficit de 29,8 pontos para o DeepSeek V4.1 Flash está longe de ser detalhe.
No SWE-bench Pro v1, os 65,5 do Beam superam os 62,1 do GLM 5.2 e ficam logo abaixo dos 67,7 do Qwen 3.8-Max.
Raciocínio e conhecimento
No Humanity's Last Exam (HLE) sem ferramentas, o Beam marca 36,2 contra 40,5 do GLM 5.2, 42,3 do GLM 5.3, 43,6 do Qwen 3.8-Max e 46,9 do Kimi K3.
O HLE é um conjunto de questões elaboradas por especialistas para reduzir o valor de busca e memorização, e tende a favorecer os modelos maiores deste grupo.
O resto da suíte de raciocínio é mais apertado:
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
Quase todos os modelos aqui já batem teto no AIME, então ele deixou de separar bem, e um gap de 3 pontos no GPQA Diamond para o Kimi K3 não decide uma implantação em produção.
O CritPt, um benchmark de problemas de física em nível de pesquisa, é onde a diferença pesa: o Kimi K3 marca cerca de 50% acima do Beam.
Chamada de ferramentas e busca
Os resultados de tool calling do Beam são os mais irregulares.
Ele marca 37,0 no AutomationBench (conjunto público), à frente do GLM 5.2 com 26,2, mas atrás do Kimi K3 com 46,7 e do DeepSeek V4.1 Flash com 54,8. No MCP Atlas, marca 78,7 contra 77,8 do GLM 5.2 e 84,5 do Qwen 3.8-Max.
No τ³-bench banking, o Beam chega a 38,0 contra 37,1 de GLM 5.2 e Kimi K3, com o Qwen 3.8-Max bem à frente com 55,2. Busca é o ponto mais fraco: 77,4 no BrowseComp e 80,1 no DeepSearchQA com gestão de contexto, contra 91,2 e 95,0 do Kimi K3. Se o seu agente vive na web aberta, esse é o gap que importa.
Eficiência de inferência
Eficiência de inferência é o número que a Reflection quer que você observe.
No gráfico de eficiência do HLE da Reflection, o Beam atinge 35,3% com estimados 0,82 PFLOP (quatrilhões de operações de ponto flutuante) de compute por tentativa, enquanto o Inkling precisa de cerca de 4,1 PFLOP para ~26% e o Nemotron 3 Ultra de ~1,9 PFLOP para ~21%.
A alegação mais ampla da Reflection é que o Beam iguala o GLM 5.2 em raciocínio avançado usando 3 a 4 vezes menos compute de inferência, com um gap ainda maior em relação à família Qwen 3.8-Max de 2T+.
Leia o método com atenção: o compute é estimado como 2 vezes os parâmetros ativos vezes o número médio de tokens gerados por tentativa. Ficam de fora o custo de processar o prompt, o custo extra de atenção em contextos longos e a sobrecarga de serving.
É uma comparação aproximada de compute, não um custo medido de implantação, e como só conta parâmetros ativos, naturalmente favorece modelos esparsos como o Beam.
Como o Beam foi alinhado?
A Reflection treinou um modelo separado de segurança e alinhamento a partir do mesmo checkpoint pré-treinado e depois o combinou com o modelo principal treinado em RL usando distilação on-policy multi-teacher (MOPD), em que um único aluno aprende com dois modelos “professores”.
Os princípios de alinhamento são organizados em três níveis:
Regras rígidas que o modelo não deve quebrar
Qualidades que deve mostrar de forma consistente, como reconhecer incerteza
Um estilo padrão de interação descrito como direto, completo e proativo
O treinamento de segurança usou alinhamento deliberativo, que ensina o modelo a raciocinar sobre sua política de segurança antes de responder. Um loop adversarial gerou ataques contra o checkpoint de cada rodada e alimentou os ataques bem-sucedidos no próximo ciclo de dados de fine-tuning supervisionado.
A Reflection também relata que conseguiu prever quanto o RL melhoraria comportamentos difíceis de avaliar com correlação r = 0,79, contra 0,46 usando um baseline Best-of-N mais simples. Os resultados de avaliação de segurança virão no relatório técnico, não foram publicados agora.
Preços e disponibilidade do Beam
Não há preço publicado para o Beam. A documentação para desenvolvedores da Reflection não tinha tabela de preços por token em 6 de outubro de 2026, o que torna impossível comparar custos com os endpoints hospedados do Kimi K3 ou do DeepSeek V4.1 Flash por enquanto.
O acesso é via API beta com entrada gradual por lista de espera.
A base URL documentada é https://api.reflection.ai/openai/v1, e ela é compatível com OpenAI em sentido restrito: Chat Completions e listagem de modelos são suportados; Responses, Embeddings, Files e Batch não são. Limites e comportamento de beta podem mudar.
A distribuição ainda é limitada. Quando verifiquei em 6 de outubro de 2026, o Beam não estava no Ollama, não aparecia no catálogo do OpenRouter, nem no models.dev usado pelo OpenCode, e não havia pesos no Hugging Face.
A Reflection diz que lançará com parceiros de distribuição e integrações open-source junto com a liberação dos pesos.
Como acessar o Beam da Reflection AI
Os pesos do Beam ainda não foram publicados.
A Reflection se comprometeu a lançar sob Apache 2.0 no fim de outubro de 2026, cobrindo pesos, relatório técnico, model card e ferramentas para rodar, avaliar e fazer fine-tuning. Até lá, você não pode fazer self-host, quantizar, medir quanta memória de GPU ele realmente precisa nem reproduzir nenhum score publicado.
O que dá para fazer hoje é entrar na lista de espera do beta e usar a API hospedada.
O ID do modelo na documentação é Beam-501B-A23B e, como o endpoint usa Chat Completions, o client oficial do OpenAI em Python funciona mudando a 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)Tecnologia
Se quiser praticar esse padrão com um modelo disponível agora, nosso tutorial da API do GPT-6 Sol usa o mesmo client, incluindo permissões de ferramentas e controle de custos para uma tarefa agentiva de migração.
Considerações finais
O Beam é uma entrada open-weight consistente, e a narrativa da eficiência é a mais honesta: Kimi K3 e DeepSeek V4.1 Flash superam o Beam nos benchmarks de codificação agentiva que mais importam, então o caso do Beam precisa ser custo por tarefa resolvida, não capacidade máxima.
Eu não planejava em torno dele ainda.
Sem pesos publicados, preço ou uma única reprodução independente, toda afirmação aqui vem do próprio lab que treinou o modelo, e a comparação de compute ignora custos de prompt e de serving. Volte quando os pesos Apache 2.0 saírem e a Artificial Analysis publicar seus números.
O Beam é o primeiro modelo open-weight da Reflection AI, anunciado em 5 de outubro de 2026. É um modelo esparso do tipo mixture-of-experts com 501 bilhões de parâmetros no total e 23 bilhões ativos por token, pré-treinado em 23,8 trilhões de tokens e ajustado com mais de 100 milhões de rollouts de reinforcement learning. Ele mira workloads de codificação, raciocínio e agentes, e é apenas texto.
Como o Beam se compara ao Kimi K3 e ao DeepSeek V4.1 Flash?⌄
O Beam fica atrás em codificação agentiva. No Terminal-Bench v2.1 ele marca 80,1 contra 88,3 do Kimi K3 e 90,6 do DeepSeek V4.1 Flash; no DeepSWE v1.1 faz 44,4 contra 68,0 e 74,2, respectivamente. O argumento da Reflection é eficiência, não pico de capacidade: o Beam alega raciocínio no nível do GLM 5.2 usando 3 a 4 vezes menos computação de inferência.
Onde posso baixar os pesos do Beam?⌄
Por enquanto, em lugar nenhum. A Reflection AI diz que publicará os pesos sob licença Apache 2.0 no fim de outubro de 2026, junto com o relatório técnico, model card e ferramentas. Em 6 de outubro de 2026, não havia pesos do Beam no Hugging Face e ele não constava no catálogo do OpenRouter.
Quanto custa usar o Beam?⌄
Ainda não há preço por token publicado. A documentação da Reflection AI não tinha tabela de preços nem valores por modelo em 6 de outubro de 2026, então não dá para comparar custos com outros modelos open hospedados. O acesso, por enquanto, é via lista de espera para a API beta, gratuita para entrar.
Qual é o ID do modelo e o endpoint da API do Beam?⌄
O ID do modelo na documentação da Reflection é Beam-501B-A23B, e a base URL é https://api.reflection.ai/openai/v1. O endpoint suporta Chat Completions e listagem de modelos, então o client Python da OpenAI funciona mudando a base URL. Completions, Embeddings e Batches não são suportados.
Escritor e editor de conteúdo na área de edtech. Comprometido com a exploração de tendências de dados e entusiasmado com o aprendizado da ciência de dados.
GPT-4 alternativas de código aberto que podem oferecer desempenho semelhante e exigem menos recursos computacionais para serem executadas. Esses projetos vêm com instruções, fontes de código, pesos de modelos, conjuntos de dados e interface de usuário do chatbot.
Descubra a atualização mais recente da OpenAI, GPT-4 Turbo com visão, e seus principais recursos, incluindo o corte de conhecimento aprimorado, uma janela de contexto expandida, preço acessível e muito mais.
O ajuste fino dos grandes modelos de linguagem (LLMs, Large Language Models) revolucionou o processamento de linguagem natural (PLN), oferecendo recursos sem precedentes em tarefas como tradução de idiomas, análise de sentimentos e geração de textos. Essa abordagem transformadora aproveita modelos pré-treinados como o GPT-2, aprimorando seu desempenho em domínios específicos pelo processo de ajuste fino.
Saiba como fazer o ajuste fino dos LLMs em conjuntos de dados personalizados, avaliar o desempenho e exportar e servir modelos com facilidade usando a estrutura com pouco ou nenhum código do LLaMA-Factory.
Aprenda a usar IA como parceira sênior de engenharia para análise de código, otimização de desempenho, segurança e decisões de arquitetura de software.
Os lançamentos de modelos open-weight vêm sendo dominados há um tempo por labs chineses: as famílias GLM, Kimi, Qwen e DeepSeek lideram as avaliações de codificação agentiva.
O Beam da Reflection AI, anunciado em 5 de outubro de 2026, chega com uma proposta explícita: avançar o que o lab chama de "fronteira open-weight ocidental" e competir em eficiência de inferência, não apenas em capacidade bruta.
Neste artigo, explico o que é o Beam da Reflection AI, os recursos que importam no dia a dia, como ele se compara ao Kimi K3, DeepSeek V4.1 Flash e à linha GLM 5.x nos benchmarks, e o que você já pode — e ainda não pode — fazer com ele hoje. Também recomendo conferir nosso guia sobre outro modelo novo, Kolibri 1, e nossos guias do Kimi K3 e do DeepSeek V4.1 Flash vs Gemini 3.8 Flash.
Resumo
O que é o Beam da Reflection AI?
Beam é um modelo esparso do tipo mixture-of-experts com 501 bilhões de parâmetros da Reflection AI, pensado para codificação, raciocínio e workloads agentivos. Apenas 23 bilhões desses parâmetros ficam ativos em cada token.
É o primeiro lançamento open-weight do lab e o primeiro modelo de uma série planejada.
Por baixo do capô, o Beam tem 52 camadas, divide seu conhecimento em vários "especialistas" pequenos (apenas alguns rodam por token) e combina atenção local, que olha para o texto próximo, com atenção global ao input inteiro.
A esparsidade é o argumento central.
Um modelo na classe de 2T+, como o Qwen 3.8-Max, ativa muito mais parâmetros por token, então cada token gerado custa mais computação.
A aposta da Reflection é que um footprint ativo de 23B, turbinado com reinforcement learning (RL), chegue perto o suficiente em codificação e trabalho agentivo para compensar a diferença de custo.
O investimento pesado foi na escala de treino. O pré-treinamento em 23,8 trilhões de tokens levou menos de 4 semanas em 6.144 GPUs NVIDIA GB300, com o cluster entregando 92,3% de utilização útil no fim do run e 9 reinícios a partir de checkpoints anteriores no caminho.
Depois, a fase de RL rodou separadamente em 10.500 GB300 por 4 semanas. Ela gerou mais de 100 milhões de rollouts (tentativas completas de uma tarefa) em cerca de 1 milhão de tarefas curadas de codificação, agentivas e de STEM, usando aproximadamente 1,3 bilhão de ambientes sandbox para executar e avaliar.
A Reflection também relata que a capacidade continuou melhorando conforme o compute de RL aumentava, sem platô até o fim. Esse é o ponto que eu mais gostaria de ver testado externamente, porque sustenta a afirmação do lab de que já está treinando o próximo modelo da série.
Principais recursos do Beam
O Beam é apenas texto — sem input de imagem ou áudio.
Em troca, ele oferece um conjunto de controles e capacidades focados em quem roda agentes de codificação.
Um controle de esforço de raciocínio por requisição
O Beam expõe um parâmetro de esforço de raciocínio, permitindo escolher quantos tokens de “pensamento” uma tarefa recebe. A API aceita
low,medium(padrão),high,xhighemax, mas o raciocínio não pode ser desligado totalmente.Configurações mais baixas favorecem respostas curtas; mais altas permitem um raciocínio mais longo em problemas difíceis.
Esse controle é resultado direto do treinamento do Beam.
Durante o RL, a Reflection usou uma penalidade de comprimento ajustável que recompensava soluções corretas e desestimulava tokens extras. Relata que, no começo do treino, a performance melhorou enquanto as respostas ficavam mais curtas.
Depois, com o ganho de habilidade agentiva, as respostas voltaram a ficar mais longas — e esses tokens extras passaram a se pagar.
Contexto de 1M de tokens para trabalhar com repositórios inteiros
O treinamento intermediário estende o contexto efetivo do Beam para 1 milhão de tokens, com treino em repositórios de código estruturados, tarefas de longo horizonte e documentos extensos.
Há dois poréns. Os rollouts de RL rodaram com contexto máximo de 256K tokens, então o comportamento agentivo foi aprendido em um quarto desse comprimento, e a API beta atualmente limita requisições a 262.144 tokens (input + output), com saída limitada a 131.072 tokens.
Contexto longo no papel e na prática são coisas diferentes. O Beam marca 65,5 no LongBench v2 contra 66,3 do Qwen 3.8-Max e 64,0 do GLM 5.2, e 79,3 no AA-LCR, enquanto o Kimi K3 chega a 88,7. É útil para inputs longos, mas não é líder.
Habilidades agentivas que se transferem para tarefas não vistas
O resultado mais interessante do anúncio não tem a ver com leaderboard.
Durante uma fase de treino cobrindo raciocínio, engenharia de software e tarefas de terminal, sem tarefas de navegação no mix de RL, as notas de navegação do Beam melhoraram mesmo assim.
Com acesso à web, o modelo descobriu sozinho que podia consultar outros modelos de linguagem e chamar APIs de OCR para ler documentos que não via.
Os demos da Reflection vão além: um mapa do metrô de Nova York ao vivo a partir de dados públicos da MTA, um jogo 3D de queda livre em p5.js feito só por texto, e um notebook de fine-tuning do Gemma 4 montado no OpenCode a partir da documentação do Unsloth, que elevou a acurácia de teste hold-out do Gemma em 66,5%.
Um teste de generalização do anúncio merece destaque porque é difícil ter aparecido nos dados de treino.
A Reflection recriou um quebra-cabeça de grade viral postado no X poucos dias antes do lançamento, pedindo ao Beam para classificar cada um dos 16.200 pontos de uma grade mundial fixa 180x90 como terra ou água. O Beam acertou 95,5%, entre o Opus 5 com 92,5% e o Fable 5 com 97,8%.
RL assíncrono com até um dia de defasagem
O Beam foi treinado com RL assíncrono, ou seja, o modelo segue gerando rollouts enquanto as atualizações de treino acontecem em paralelo, sem esperar uma pela outra. Um rollout longo pode, portanto, conter tokens produzidos por várias versões do modelo.
A Reflection relata aprendizado estável mesmo quando a amostra mais antiga de um batch vinha de uma versão 107 updates atrás da atual — algo como um dia defasado.
Os números de infraestrutura valem a pena para quem constrói sistemas de RL:
Pesos abertos sob Apache 2.0 e o stack ao redor
A Reflection diz que publicará os pesos do Beam sob Apache 2.0 no fim de outubro de 2026, junto com o relatório técnico, model card, documentação e ferramentas para rodar, avaliar e fazer fine-tuning do modelo.
Também pretende open-sourcear as avaliações internas de segurança que construiu — algo mais raro do que a própria liberação de pesos.
Apache 2.0 é praticamente o máximo de permissividade: uso comercial, redistribuição e modificação, sem limites de usuários ou receita.
Isso importa porque Kimi K3 e DeepSeek V4.1 Flash definiram a expectativa do que um modelo open deve permitir, e uma licença restritiva tiraria o Beam do jogo.
Como o Beam se sai nos benchmarks?
O Beam fica mais ou menos onde o GLM 5.2 aparece na maioria das avaliações, bem à frente do Inkling e do Nemotron 3 Ultra, e claramente atrás do Kimi K3, GLM 5.3 e DeepSeek V4.1 Flash nas tarefas de codificação agentiva mais difíceis.
A Reflection é direta quanto a isso, posicionando a vantagem do Beam como eficiência, não pico de capacidade.
Todos os números abaixo são informados pelos fornecedores, com as notas dos rivais obtidas pela Reflection no Artificial Analysis e no DataCurve.
Fluxos de trabalho de codificação e agentes
O número de destaque em codificação do Beam é 80,9 no SWE-bench Verified, contra 77,6 do Inkling e 70,7 do Nemotron 3 Ultra.
O SWE-bench Verified é um conjunto validado por humanos com issues reais do GitHub em que o modelo precisa escrever um fix que passe nos testes do próprio projeto — e continua sendo o primeiro benchmark que muita gente olha.
Fora isso, o cenário é menos favorável.
Contra os modelos entre os quais você de fato escolheria, o Beam fica atrás em todo benchmark de codificação agentiva com comparação disponível.
NR = não reportado.
Os gaps no DeepSWE e no SWE Atlas são grandes.
O DeepSWE v1.1 testa engenharia de software agentiva multi-etapas, não correções únicas, e um déficit de 29,8 pontos para o DeepSeek V4.1 Flash está longe de ser detalhe.
No SWE-bench Pro v1, os 65,5 do Beam superam os 62,1 do GLM 5.2 e ficam logo abaixo dos 67,7 do Qwen 3.8-Max.
Raciocínio e conhecimento
No Humanity's Last Exam (HLE) sem ferramentas, o Beam marca 36,2 contra 40,5 do GLM 5.2, 42,3 do GLM 5.3, 43,6 do Qwen 3.8-Max e 46,9 do Kimi K3.
O HLE é um conjunto de questões elaboradas por especialistas para reduzir o valor de busca e memorização, e tende a favorecer os modelos maiores deste grupo.
O resto da suíte de raciocínio é mais apertado:
Quase todos os modelos aqui já batem teto no AIME, então ele deixou de separar bem, e um gap de 3 pontos no GPQA Diamond para o Kimi K3 não decide uma implantação em produção.
O CritPt, um benchmark de problemas de física em nível de pesquisa, é onde a diferença pesa: o Kimi K3 marca cerca de 50% acima do Beam.
Chamada de ferramentas e busca
Os resultados de tool calling do Beam são os mais irregulares.
Ele marca 37,0 no AutomationBench (conjunto público), à frente do GLM 5.2 com 26,2, mas atrás do Kimi K3 com 46,7 e do DeepSeek V4.1 Flash com 54,8. No MCP Atlas, marca 78,7 contra 77,8 do GLM 5.2 e 84,5 do Qwen 3.8-Max.
No τ³-bench banking, o Beam chega a 38,0 contra 37,1 de GLM 5.2 e Kimi K3, com o Qwen 3.8-Max bem à frente com 55,2. Busca é o ponto mais fraco: 77,4 no BrowseComp e 80,1 no DeepSearchQA com gestão de contexto, contra 91,2 e 95,0 do Kimi K3. Se o seu agente vive na web aberta, esse é o gap que importa.
Eficiência de inferência
Eficiência de inferência é o número que a Reflection quer que você observe.
No gráfico de eficiência do HLE da Reflection, o Beam atinge 35,3% com estimados 0,82 PFLOP (quatrilhões de operações de ponto flutuante) de compute por tentativa, enquanto o Inkling precisa de cerca de 4,1 PFLOP para ~26% e o Nemotron 3 Ultra de ~1,9 PFLOP para ~21%.
A alegação mais ampla da Reflection é que o Beam iguala o GLM 5.2 em raciocínio avançado usando 3 a 4 vezes menos compute de inferência, com um gap ainda maior em relação à família Qwen 3.8-Max de 2T+.
Leia o método com atenção: o compute é estimado como 2 vezes os parâmetros ativos vezes o número médio de tokens gerados por tentativa. Ficam de fora o custo de processar o prompt, o custo extra de atenção em contextos longos e a sobrecarga de serving.
É uma comparação aproximada de compute, não um custo medido de implantação, e como só conta parâmetros ativos, naturalmente favorece modelos esparsos como o Beam.
Como o Beam foi alinhado?
A Reflection treinou um modelo separado de segurança e alinhamento a partir do mesmo checkpoint pré-treinado e depois o combinou com o modelo principal treinado em RL usando distilação on-policy multi-teacher (MOPD), em que um único aluno aprende com dois modelos “professores”.
Os princípios de alinhamento são organizados em três níveis:
O treinamento de segurança usou alinhamento deliberativo, que ensina o modelo a raciocinar sobre sua política de segurança antes de responder. Um loop adversarial gerou ataques contra o checkpoint de cada rodada e alimentou os ataques bem-sucedidos no próximo ciclo de dados de fine-tuning supervisionado.
A Reflection também relata que conseguiu prever quanto o RL melhoraria comportamentos difíceis de avaliar com correlação r = 0,79, contra 0,46 usando um baseline Best-of-N mais simples. Os resultados de avaliação de segurança virão no relatório técnico, não foram publicados agora.
Preços e disponibilidade do Beam
Não há preço publicado para o Beam. A documentação para desenvolvedores da Reflection não tinha tabela de preços por token em 6 de outubro de 2026, o que torna impossível comparar custos com os endpoints hospedados do Kimi K3 ou do DeepSeek V4.1 Flash por enquanto.
O acesso é via API beta com entrada gradual por lista de espera.
A base URL documentada é
https://api.reflection.ai/openai/v1, e ela é compatível com OpenAI em sentido restrito: Chat Completions e listagem de modelos são suportados; Responses, Embeddings, Files e Batch não são. Limites e comportamento de beta podem mudar.A distribuição ainda é limitada. Quando verifiquei em 6 de outubro de 2026, o Beam não estava no Ollama, não aparecia no catálogo do OpenRouter, nem no models.dev usado pelo OpenCode, e não havia pesos no Hugging Face.
A Reflection diz que lançará com parceiros de distribuição e integrações open-source junto com a liberação dos pesos.
Como acessar o Beam da Reflection AI
Os pesos do Beam ainda não foram publicados.
A Reflection se comprometeu a lançar sob Apache 2.0 no fim de outubro de 2026, cobrindo pesos, relatório técnico, model card e ferramentas para rodar, avaliar e fazer fine-tuning. Até lá, você não pode fazer self-host, quantizar, medir quanta memória de GPU ele realmente precisa nem reproduzir nenhum score publicado.
O que dá para fazer hoje é entrar na lista de espera do beta e usar a API hospedada.
O ID do modelo na documentação é
Beam-501B-A23Be, como o endpoint usa Chat Completions, o client oficial do OpenAI em Python funciona mudando a base URL.Se quiser praticar esse padrão com um modelo disponível agora, nosso tutorial da API do GPT-6 Sol usa o mesmo client, incluindo permissões de ferramentas e controle de custos para uma tarefa agentiva de migração.
Considerações finais
O Beam é uma entrada open-weight consistente, e a narrativa da eficiência é a mais honesta: Kimi K3 e DeepSeek V4.1 Flash superam o Beam nos benchmarks de codificação agentiva que mais importam, então o caso do Beam precisa ser custo por tarefa resolvida, não capacidade máxima.
Eu não planejava em torno dele ainda.
Sem pesos publicados, preço ou uma única reprodução independente, toda afirmação aqui vem do próprio lab que treinou o modelo, e a comparação de compute ignora custos de prompt e de serving. Volte quando os pesos Apache 2.0 saírem e a Artificial Analysis publicar seus números.
Enquanto isso, se quiser colocar a mão na massa com o stack open-weight, nossa trilha de habilidades AI Fundamentals é um ótimo ponto de partida.