Beam: Reflection AI'nin 501B Açık-Ağırlıklı Kodlama Modeli
Reflection AI'nin Beam modeli, akıl yürütmede GLM 5.2 ile eşleşiyor ve 3-4 kat daha az hesaplama kullanıyor; ancak araçsal kodlamada Kimi K3'ün gerisinde kalıyor. Reflection AI'nin açık-ağırlıklı modeli böyle performans gösteriyor.
Açık-ağırlıklı model yayınları bir süredir Çin laboratuvarlarının hakimiyetinde; GLM, Kimi, Qwen ve DeepSeek aileleri araçsal kodlama değerlendirmelerinde en yüksek puanları alıyor.
Reflection AI'nin Beam modeli, 5 Ekim 2026'da, açık bir iddiayla duyuruldu: laboratuvarın "Batı açık-ağırlık sınırını" ilerletmek ve ham kabiliyetten ziyade çıkarım verimliliğinde rekabet etmek.
Bu yazıda Reflection AI'nin Beam'inin ne olduğuna, günlük işlerde önemli olan özelliklerine, kıyaslamalarda Kimi K3, DeepSeek V4.1 Flash ve GLM 5.x serisiyle nasıl karşılaştırıldığına ve bugün neleri yapıp neleri yapamayacağınıza değineceğim. Ayrıca bir diğer yeni model olan Kolibri 1 rehberimizi ve Kimi K3 ile DeepSeek V4.1 Flash vs Gemini 3.8 Flash rehberlerimizi de incelemenizi öneririm.
Özet
Beam, Reflection AI'nin ilk açık-ağırlıklı modeli; ürettiği her token için yalnızca 23B parametre kullanan 501B parametreli bir uzman karışımı (MoE) modelidir.
Satış argümanı tepe kabiliyet değil, token başına zekâ: Reflection, 3 ila 4 kat daha az çıkarım hesaplaması kullanırken akıl yürütmede GLM 5.2 ile eşleştiğini söylüyor.
Kimi K3 ham kabiliyette önde ve DeepSeek V4.1 Flash, Terminal-Bench v2.1 ve DeepSWE gibi tekil kıyaslarda en yüksek puanları alıyor.
Ağırlıklar Ekim 2026'nın ilerleyen günlerinde Apache 2.0 altında vaat edildi; dolayısıyla henüz kendi kendinize barındıramaz, kuantize edemez veya ince ayar yapamazsınız.
Reflection AI'nin Beam'i Nedir?
Beam, Reflection AI'den; kodlama, akıl yürütme ve araçsal iş yükleri için tasarlanmış, 501 milyar parametreli seyrek bir uzman karışımı modelidir. Bu parametrelerin yalnızca 23 milyarı herhangi bir token üzerinde aktiftir.
Laboratuvarın ilk açık-ağırlık yayını ve planlanan bir serinin ilk modelidir.
Kaputun altında Beam, 52 katmana sahiptir; bilgisini çok sayıda küçük uzman arasında böler (token başına yalnızca birkaçı çalışır) ve yakındaki metne bakan dikkat ile tüm girdiye bakan dikkati harmanlar.
Seyreklik, tüm argümanın özüdür.
Qwen 3.8-Max gibi 2T+ sınıfı bir model token başına çok daha fazla parametreyi aktive eder; bu nedenle üretilen her token daha fazla hesaplama gerektirir.
Reflection'ın iddiası, RL (pekiştirmeli öğrenme) ile sıkı biçimde itilen 23B aktif ayak izinin, kodlama ve araçsal işlerde yeterince yakın performans vererek maliyet farkını değerli kılacağıdır.
Eğitim ölçeği, Reflection'ın bütçeyi harcadığı yerdir. 23,8 trilyon token üzerinde ön eğitim, 6.144 NVIDIA GB300 GPU'da 4 haftadan kısa sürdü; küme, çalışmanın sonuna doğru zamanın %92,3'ünde faydalı iş yaptı ve yol boyunca önceki denetim noktalarından 9 yeniden başlatma oldu.
RL aşaması daha sonra 10.500 GB300 üzerinde 4 hafta ayrı yürütüldü. Yaklaşık 1 milyon özenle seçilmiş kodlama, araçsal ve STEM görevi üzerinde, 100 milyondan fazla rollout (bir görevi tamamlama denemesi) üretti ve bunları çalıştırıp değerlendirmek için yaklaşık 1,3 milyar yalıtılmış ortam kullandı.
Reflection ayrıca, RL hesaplaması arttıkça kabiliyetin iyileşmeye devam ettiğini ve koşunun sonunda plato yapmadığını bildiriyor. Bu, serinin bir sonraki modelinin zaten eğitildiği yönündeki açıklamayı desteklediği için dışarıdan test edilmesini en çok görmek istediğim iddia.
Beam'in Başlıca Özellikleri
Beam yalnızca metin destekler; görsel veya ses girişi yoktur.
Sunduğu şey, doğrudan kodlama ajanları çalıştıranlara yönelik bir dizi kontrol ve yetenek.
İstek başına ayarladığınız bir akıl yürütme çabası düğmesi
Beam, bir görevin kaç düşünme token'ı alacağını seçtiğiniz bir akıl yürütme çabası parametresi sunar. API, low, varsayılan medium, high, xhigh ve max kabul eder; ancak akıl yürütme tamamen kapatılamaz.
Daha düşük ayarlar kısa yanıtlara öncelik verir; daha yüksek ayarlar zorlu problemlerde daha uzun akıl yürütmeye imkân tanır.
Bu düğme, Beam'in nasıl eğitildiğinin doğrudan bir sonucudur.
RL sırasında, Reflection; doğru çözümleri ödüllendirirken fazla token'ları caydıran ayarlanabilir bir uzunluk cezası kullandı. Eğitim başlarında, performans iyileşirken yanıtların aslında kısaldığını bildiriyor.
Daha sonra, araçsallık yeteneği arttıkça yanıtlar yeniden uzadı ve o ekstra token'lar kendilerini amorti etti.
Tüm depo işleri için 1M token bağlam
Orta eğitim, Beam'in etkili bağlamını, yapılandırılmış kod depoları, uzun ufuklu görevler ve uzun biçimli belgeler üzerinde eğitilerek 1 milyon token'a kadar genişletir.
İki uyarı var. RL rollout'ları maksimum 256K token bağlamıyla çalıştı; dolayısıyla Beam'in araçsal davranışı bunun dörtte biri uzunlukta öğrenildi ve beta API şu anda istekleri 262.144 token (girdi artı çıktı) ile sınırlar; çıktı 131.072 token ile sınırlıdır.
Kağıt üzerindeki uzun bağlamla pratikteki uzun bağlam farklı şeylerdir. Beam, LongBench v2'de Qwen 3.8-Max'in 66,3'üne ve GLM 5.2'nin 64,0'ına karşı 65,5; AA-LCR'da ise Kimi K3'ün 88,7'ye ulaştığı yerde 79,3 alır. Bu, Beam'i uzun girdiler için kullanışlı kılar; ancak sınıf lideri değildir.
Eğitilmediği görevlere de taşan araçsal beceriler
Duyurudaki en ilginç sonuç, bir liderlik tablosuyla ilgili değil.
Akıl yürütme, yazılım mühendisliği ve terminal görevlerini kapsayan bir eğitim aşaması sırasında, RL karışımında hiç gezinme görevi olmamasına rağmen, Beam'in gezinme puanları yine de iyileşti.
Web erişimi verildiğinde, model kendi kendine; göremediği belgeleri okumak için diğer dil modellerine sorgu gönderebileceğini ve optik karakter tanıma (OCR) API'lerini çağırabileceğini keşfetti.
Reflection'ın demoları bunu daha da ileri taşıyor: kamusal MTA verilerinden oluşturulmuş canlı bir NYC metro haritası, tamamen metinle inşa edilmiş 3B bir p5.js serbest düşüş oyunu ve OpenCode içinde Unsloth dokümantasyonundan derlenen bir Gemma 4 ince ayar not defteri; bu da Gemma'nın ayrılmış test doğruluğunu %66,5 artırdı.
Duyurudaki genelleme testlerinden biri, eğitim verilerinde görülmesi zor olduğu için özellikle anılmaya değer.
Reflection, lansmandan birkaç gün önce X'te viral olan bir ızgara bulmacasını yeniden yarattı ve Beam'den sabit 180x90 dünya ızgarasındaki 16.200 noktanın her birini kara veya su olarak sınıflandırmasını istedi. Beam bunların %95,5'ini doğru bildi; Opus 5'in %92,5'i ile Fable 5'in %97,8'i arasında.
Bir güne kadar gecikmeli eşzamansız RL
Beam, eşzamansız RL ile eğitildi; yani model, eğitim güncellemeleri paralel gerçekleşirken rollout üretmeye devam eder; birbirini beklemez. Bu nedenle tek bir uzun rollout, modelin birkaç farklı sürümü tarafından üretilmiş token'ları içerebilir.
Reflection, bir partinin en eski örneği mevcut sürümden 107 güncelleme geride, yaklaşık bir gün eski bir model sürümünden geldiğinde bile öğrenmenin kararlı olduğunu bildiriyor.
RL sistemleri kuruyorsanız altyapı sayıları ilginizi çekebilir:
Ortalama 110 bin eşzamanlı rollout, azami 170 bin eşzamanlı sandbox
Yeni ağırlıkların çıkarım sunucularına ulaşması için yaklaşık 12 saniye (medyan)
Eğitim işini durdurmadan yönetilen 71 çıkarım olayı
Apache 2.0 altında açık ağırlıklar ve etrafındaki yığın
Reflection, Ekim 2026'nın ilerleyen günlerinde Beam'in ağırlıklarını Apache 2.0 altında, teknik rapor, model kartı, dokümantasyon ve modeli çalıştırma, değerlendirme ve ince ayar araçlarıyla birlikte yayımlayacağını söylüyor.
Ayrıca, oluşturduğu dahili güvenlik değerlendirmelerini de açık kaynak yapmayı planlıyor; bu, ağırlık yayınından daha nadirdir.
Apache 2.0 mümkün olan en serbest lisanslardan biridir: ticari kullanım, yeniden dağıtım ve değiştirme serbest; kullanıcı veya gelir eşiği yok.
Bu önemli; çünkü Kimi K3 ve DeepSeek V4.1 Flash, açık bir modelin neye izin vermesi gerektiğine dair beklentiler belirledi ve kısıtlayıcı bir lisans Beam'i tartışmanın dışına iterdi.
Beam Kıyaslamalarda Nasıl Performans Gösteriyor?
Beam, çoğu değerlendirmede GLM 5.2'nin bulunduğu yere yakın iniş yapıyor; Inkling ve Nemotron 3 Ultra'nın oldukça önünde ve en zorlu araçsal kodlama görevlerinde Kimi K3, GLM 5.3 ve DeepSeek V4.1 Flash'ın belirgin şekilde gerisinde.
Reflection bunu açıkça belirtiyor ve Beam'in avantajını tepe kabiliyetten ziyade verimlilik olarak çerçeveliyor.
Aşağıdaki tüm rakamlar tedarikçi bildirimlerine dayanıyor; rakip puanları Reflection tarafından Artificial Analysis ve DataCurve kaynaklı.
Kodlama ve araçsal iş akışları
Beam'in manşet kodlama skoru SWE-bench Verified'da 80,9; Inkling için 77,6 ve Nemotron 3 Ultra için 70,7'ye karşı.
SWE-bench Verified, modelin projenin kendi testlerini geçen bir düzeltme yazması gereken, insan tarafından kontrol edilmiş gerçek GitHub sorunlarından oluşur ve uygulayıcıların çoğunun ilk baktığı kıyas olmaya devam eder.
Başka yerlerde tablo daha az cazip.
Gerçekte aralarında seçim yapacağınız modellere karşı, Beam karşılaştırma puanının bulunduğu her araçsal kodlama kıyasında geridedir.
Kıyas
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 Soru-Cevap
34,6
NR
61,0
68,0
NR
NR = raporlanmadı.
DeepSWE ve SWE Atlas farkları büyük.
DeepSWE v1.1, tekli düzeltmeler yerine çok adımlı araçsal yazılım mühendisliğini test eder ve DeepSeek V4.1 Flash'a göre 29,8 puanlık bir açık, yuvarlama hatası değildir.
SWE-bench Pro v1'de, Beam'in 65,5'i GLM 5.2'nin 62,1'ini geçer ve Qwen 3.8-Max'in 67,7'sinin hemen altındadır.
Akıl yürütme ve bilgi görevleri
Humanity's Last Exam (HLE) araçsız durumda, Beam 36,2 alırken GLM 5.2 40,5, GLM 5.3 42,3, Qwen 3.8-Max 43,6 ve Kimi K3 46,9 alır.
HLE, arama ve ezberin pek yardımcı olmaması için tasarlanmış, uzmanlarca yazılmış sorulardan oluşur ve bu gruptaki daha büyük modelleri ödüllendirme eğilimindedir.
Geri kalan akıl yürütme seti daha sıkıdır:
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
Buradaki hemen her model AIME'de tepeye yakın puan alıyor; bu yüzden artık ayrıştırıcı değil ve GPQA Diamond'da Kimi K3'e karşı 3 puanlık fark, üretim konuşlandırmasını belirleyen şey değildir.
Araştırma düzeyi fizik problemlerinden oluşan CritPt, farkın can sıkıcı olduğu yer; Kimi K3, Beam'den yaklaşık %50 daha yüksek puan alıyor.
Arama ve araç çağırma
Beam'in araç çağırma sonuçları en dengesiz setidir.
AutomationBench'te (kamusal set) 37,0 alır; GLM 5.2'nin 26,2'sinin önünde; ancak Kimi K3'ün 46,7'si ve DeepSeek V4.1 Flash'ın 54,8'inin gerisinde. MCP Atlas'ta 78,7; GLM 5.2 için 77,8 ve Qwen 3.8-Max için 84,5'tir.
τ³-bench banking'te Beam 38,0'a ulaşır; GLM 5.2 ve Kimi K3 için 37,1'e karşı; Qwen 3.8-Max ise 55,2 ile belirgin biçimde öndedir. Arama en zayıf alan: BrowseComp'ta 77,4 ve bağlam yönetimiyle DeepSearchQA'da 80,1; Kimi K3'ün 91,2 ve 95,0'ına karşı. Ajanınız açık webde yaşıyorsa, önemsemeniz gereken açık budur.
Çıkarım verimliliği
Reflection'ın aslında bakmanızı istediği sayı çıkarım verimliliğidir.
Reflection'ın HLE verimlilik grafiğinde Beam, deneme başına tahmini 0,82 PFLOP (katrilyon kayan nokta işlemi) hesaplama ile %35,3'e ulaşırken, Inkling yaklaşık %26'ya ulaşmak için ~4,1 PFLOP ve Nemotron 3 Ultra ~%21 için ~1,9 PFLOP gerektirir.
Reflection'ın daha geniş iddiası, Beam'in gelişmiş akıl yürütmede GLM 5.2 ile eşleştiği; bunu da 3 ila 4 kat daha az çıkarım hesaplamasıyla yaptığı ve 2T+ Qwen 3.8-Max ailesine karşı farkın daha da büyük olduğudur.
Yöntemi dikkatle okuyun: hesaplama, bir deneme başına ortalama üretilen token sayısı ile aktif parametrelerin 2 katının çarpımı olarak tahmin edilir. İstem işlemeyi, uzun bağlamların ek dikkat maliyetini ve servis ek yükünü dışarıda bırakır.
Bu, ölçülmüş bir konuşlandırma maliyeti değil; yaklaşık bir hesaplama karşılaştırmasıdır ve yalnızca aktif parametreleri saydığı için doğal olarak Beam gibi seyrek modelleri kayırır.
Beam Nasıl Hizalandı?
Reflection, aynı ön eğitim denetim noktasından ayrı bir güvenlik ve hizalama modeli eğitti; ardından çoklu öğretmenli anlık politika üzerinde damıtma (MOPD) kullanarak bunu ana RL-eğitimli modelle birleştirdi; burada tek bir öğrenci model, iki "öğretmen" modelden aynı anda öğrenir.
Hizalama ilkeleri üç katmanda düzenlenmiştir:
Modelin bozmaması gereken katı kurallar
Belirsizliği kabul etmek gibi tutarlı biçimde göstermesi gereken nitelikler
Doğrudan, kapsamlı ve proaktif olarak tanımlanan varsayılan etkileşim tarzı
Güvenlik eğitimi, modele yanıtlamadan önce güvenlik politikasını akıl yürütmeyi öğreten müzakereci hizalamayı kullandı. Bir adversaryal döngü, her turdaki denetim noktasına karşı saldırılar üretti ve başarılı olanları bir sonraki turun denetimli ince ayar verisine geri besledi.
Reflection ayrıca, RL'in derecelendirmesi zor davranışları ne kadar iyileştireceğini r = 0,79 korelasyonla öngörebildiğini; daha basit bir Best-of-N temeliyle bunun 0,46 olduğunu bildiriyor. Güvenlik değerlendirme sonuçlarının şimdi değil, teknik raporda paylaşılacağı vaat ediliyor.
Beam Fiyatlandırma ve Erişilebilirlik
Beam için yayımlanmış bir fiyat yok. Reflection'ın geliştirici dokümantasyonunda 6 Ekim 2026 itibarıyla token başına fiyat listesi bulunmuyordu; bu da barındırılan Kimi K3 veya DeepSeek V4.1 Flash uç noktalarına karşı herhangi bir maliyet karşılaştırmasını şu an imkânsız kılıyor.
Erişim, kademeli olarak açılan bir bekleme listesi üzerinden API betasıyla sağlanıyor.
Belgelendirilmiş temel URL https://api.reflection.ai/openai/v1 ve dar anlamda OpenAI uyumludur: Chat Completions ve model listeleme desteklenir; Responses, Embeddings, Files ve Batch desteklenmez. Beta sınırları ve davranışın değişebileceği açıkça belirtilmiştir.
Şimdilik dağıtım zayıf. 6 Ekim 2026'da kontrol ettiğimde Beam, Ollama'da yoktu; OpenRouter kataloğunda yoktu; OpenCode'un kullandığı models.dev kataloğunda yoktu ve Hugging Face'te ağırlık listelenmiyordu.
Reflection, ağırlık yayınıyla birlikte dağıtım ortakları ve açık kaynak koşum entegrasyonlarıyla lansman yapacağını söylüyor.
Reflection AI'nin Beam'ine Nasıl Erişilir?
Beam'in ağırlıkları henüz yayımlanmadı.
Reflection, Ekim 2026'nın ilerleyen günlerinde; ağırlıklar, teknik rapor, model kartı ve modeli çalıştırma, değerlendirme ve ince ayar araçlarını kapsayan bir Apache 2.0 yayınına taahhüt verdi. Bu gerçekleşene kadar kendi başınıza barındıramaz, kuantize edemez, gerçekten ne kadar GPU belleği gerektiğini ölçemez veya yayımlanmış herhangi bir puanı çoğaltamazsınız.
Bugün yapabileceğiniz şey, beta bekleme listesine katılmak ve barındırılan API'yi çağırmaktır.
Geliştirici dokümantasyonundaki model kimliği Beam-501B-A23B ve uç nokta Chat Completions konuştuğu için, temel URL'yi değiştirdiğinizde resmi OpenAI Python istemcisi çalışır.
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)Altyapı:
Bu deseni şu anda erişebileceğiniz bir modelle denemek isterseniz, GPT-6 Sol API eğitimimiz aynı istemci kodunu kullanır; bir araçsal geçiş görevi için araç izinleri ve maliyet takibi dahil.
Son Düşünceler
Beam, inandırıcı bir açık-ağırlık girişidir ve verimlilik çerçevesi dürüst olandır: Kimi K3 ve DeepSeek V4.1 Flash, en çok önemsenen araçsal kodlama kıyaslarında onu geçiyor; dolayısıyla Beam için argüman, kabiliyetten ziyade çözülen görev başına maliyet olmalıdır.
Henüz etrafında plan yapmazdım.
Yayımlanmış ağırlıklar, bir fiyat veya tek bir bağımsız çoğaltma olmadan, burada yer alan her iddia modeli eğiten laboratuvardan geliyor ve hesaplama karşılaştırması, istem işleme ve servis maliyetlerini dışarıda bırakıyor. Apache 2.0 ağırlıklar indiğinde ve Artificial Analysis kendi sayılarını yayımladığında yeniden bakın.
Bu arada açık-ağırlık yığınıyla pratik yapmak isterseniz, AI Fundamentals beceri yolumuz temeli oluşturmak için iyi bir yerdir.
SSS
Reflection AI'nin Beam modeli nedir?⌄
Beam, Reflection AI'nin 5 Ekim 2026'da duyurulan ilk açık-ağırlık modelidir. Toplam 501 milyar parametreli ve token başına 23 milyar aktif parametreli seyrek bir uzman karışımı modelidir; 23,8 trilyon token üzerinde ön eğitilmiş ve 100 milyondan fazla pekiştirmeli öğrenme rollout'u ile ayarlanmıştır. Kodlama, akıl yürütme ve araçsal iş yüklerini hedefler ve yalnızca metin destekler.
Beam, Kimi K3 ve DeepSeek V4.1 Flash ile nasıl karşılaştırılır?⌄
Beam, araçsal kodlamada her ikisinin de gerisinde kalıyor. Terminal-Bench v2.1'de 80,1 alırken Kimi K3 88,3 ve DeepSeek V4.1 Flash 90,6 alıyor; DeepSWE v1.1'de ise sırasıyla 68,0 ve 74,2'ye karşı 44,4 alıyor. Reflection'ın argümanı tepe kabiliyetten ziyade verimlilik: Beam, GLM 5.2 seviyesinde akıl yürütmeyi 3 ila 4 kat daha az çıkarım hesaplamasıyla iddia ediyor.
Beam'in ağırlıklarını nereden indirebilirim?⌄
Henüz hiçbir yerde. Reflection AI, ağırlıkları teknik rapor, model kartı ve araçlarla birlikte 2026 Ekim ayının ilerleyen günlerinde Apache 2.0 lisansı altında yayımlayacağını söylüyor. 6 Ekim 2026 itibarıyla Hugging Face'te Beam ağırlıkları listelenmiyordu ve Beam OpenRouter kataloğunda yer almıyordu.
Beam'i kullanmanın maliyeti nedir?⌄
Token başına fiyatlandırma yayımlanmadı. 6 Ekim 2026 itibarıyla Reflection AI'nin geliştirici dokümantasyonunda fiyat listesi ve model listeleme fiyatları yoktu; bu nedenle diğer açık modellere karşı barındırılan maliyet karşılaştırmaları şu an mümkün değil. Erişim şu anda ücretsiz katılımlı bir API beta bekleme listesi üzerinden sağlanıyor.
Beam'in API model kimliği ve uç noktası nedir?⌄
Geliştirici dokümantasyonunda model kimliği Beam-501B-A23B ve temel URL https://api.reflection.ai/openai/v1. Uç nokta Chat Completions ve model listelemeyi destekler; bu nedenle temel URL değişimiyle OpenAI Python istemcisi çalışır. Completions, Embeddings ve Batches desteklenmez.
Algoritmalar, sistem tasarımı ve davranışsal senaryoları kapsayan bu temel sorularla teknik mülakat sürecine hakim olun. Uzman cevapları, kod örnekleri ve kanıtlanmış hazırlık stratejileri edinin.
Git deponuzu temiz tutmak için .gitignore’u nasıl kullanacağınızı öğrenin. Bu eğitim; temelleri, yaygın kullanım durumlarını ve başlamanıza yardımcı olacak pratik örnekleri kapsar!
Açık-ağırlıklı model yayınları bir süredir Çin laboratuvarlarının hakimiyetinde; GLM, Kimi, Qwen ve DeepSeek aileleri araçsal kodlama değerlendirmelerinde en yüksek puanları alıyor.
Reflection AI'nin Beam modeli, 5 Ekim 2026'da, açık bir iddiayla duyuruldu: laboratuvarın "Batı açık-ağırlık sınırını" ilerletmek ve ham kabiliyetten ziyade çıkarım verimliliğinde rekabet etmek.
Bu yazıda Reflection AI'nin Beam'inin ne olduğuna, günlük işlerde önemli olan özelliklerine, kıyaslamalarda Kimi K3, DeepSeek V4.1 Flash ve GLM 5.x serisiyle nasıl karşılaştırıldığına ve bugün neleri yapıp neleri yapamayacağınıza değineceğim. Ayrıca bir diğer yeni model olan Kolibri 1 rehberimizi ve Kimi K3 ile DeepSeek V4.1 Flash vs Gemini 3.8 Flash rehberlerimizi de incelemenizi öneririm.
Özet
Reflection AI'nin Beam'i Nedir?
Beam, Reflection AI'den; kodlama, akıl yürütme ve araçsal iş yükleri için tasarlanmış, 501 milyar parametreli seyrek bir uzman karışımı modelidir. Bu parametrelerin yalnızca 23 milyarı herhangi bir token üzerinde aktiftir.
Laboratuvarın ilk açık-ağırlık yayını ve planlanan bir serinin ilk modelidir.
Kaputun altında Beam, 52 katmana sahiptir; bilgisini çok sayıda küçük uzman arasında böler (token başına yalnızca birkaçı çalışır) ve yakındaki metne bakan dikkat ile tüm girdiye bakan dikkati harmanlar.
Seyreklik, tüm argümanın özüdür.
Qwen 3.8-Max gibi 2T+ sınıfı bir model token başına çok daha fazla parametreyi aktive eder; bu nedenle üretilen her token daha fazla hesaplama gerektirir.
Reflection'ın iddiası, RL (pekiştirmeli öğrenme) ile sıkı biçimde itilen 23B aktif ayak izinin, kodlama ve araçsal işlerde yeterince yakın performans vererek maliyet farkını değerli kılacağıdır.
Eğitim ölçeği, Reflection'ın bütçeyi harcadığı yerdir. 23,8 trilyon token üzerinde ön eğitim, 6.144 NVIDIA GB300 GPU'da 4 haftadan kısa sürdü; küme, çalışmanın sonuna doğru zamanın %92,3'ünde faydalı iş yaptı ve yol boyunca önceki denetim noktalarından 9 yeniden başlatma oldu.
RL aşaması daha sonra 10.500 GB300 üzerinde 4 hafta ayrı yürütüldü. Yaklaşık 1 milyon özenle seçilmiş kodlama, araçsal ve STEM görevi üzerinde, 100 milyondan fazla rollout (bir görevi tamamlama denemesi) üretti ve bunları çalıştırıp değerlendirmek için yaklaşık 1,3 milyar yalıtılmış ortam kullandı.
Reflection ayrıca, RL hesaplaması arttıkça kabiliyetin iyileşmeye devam ettiğini ve koşunun sonunda plato yapmadığını bildiriyor. Bu, serinin bir sonraki modelinin zaten eğitildiği yönündeki açıklamayı desteklediği için dışarıdan test edilmesini en çok görmek istediğim iddia.
Beam'in Başlıca Özellikleri
Beam yalnızca metin destekler; görsel veya ses girişi yoktur.
Sunduğu şey, doğrudan kodlama ajanları çalıştıranlara yönelik bir dizi kontrol ve yetenek.
İstek başına ayarladığınız bir akıl yürütme çabası düğmesi
Beam, bir görevin kaç düşünme token'ı alacağını seçtiğiniz bir akıl yürütme çabası parametresi sunar. API,
low, varsayılanmedium,high,xhighvemaxkabul eder; ancak akıl yürütme tamamen kapatılamaz.Daha düşük ayarlar kısa yanıtlara öncelik verir; daha yüksek ayarlar zorlu problemlerde daha uzun akıl yürütmeye imkân tanır.
Bu düğme, Beam'in nasıl eğitildiğinin doğrudan bir sonucudur.
RL sırasında, Reflection; doğru çözümleri ödüllendirirken fazla token'ları caydıran ayarlanabilir bir uzunluk cezası kullandı. Eğitim başlarında, performans iyileşirken yanıtların aslında kısaldığını bildiriyor.
Daha sonra, araçsallık yeteneği arttıkça yanıtlar yeniden uzadı ve o ekstra token'lar kendilerini amorti etti.
Tüm depo işleri için 1M token bağlam
Orta eğitim, Beam'in etkili bağlamını, yapılandırılmış kod depoları, uzun ufuklu görevler ve uzun biçimli belgeler üzerinde eğitilerek 1 milyon token'a kadar genişletir.
İki uyarı var. RL rollout'ları maksimum 256K token bağlamıyla çalıştı; dolayısıyla Beam'in araçsal davranışı bunun dörtte biri uzunlukta öğrenildi ve beta API şu anda istekleri 262.144 token (girdi artı çıktı) ile sınırlar; çıktı 131.072 token ile sınırlıdır.
Kağıt üzerindeki uzun bağlamla pratikteki uzun bağlam farklı şeylerdir. Beam, LongBench v2'de Qwen 3.8-Max'in 66,3'üne ve GLM 5.2'nin 64,0'ına karşı 65,5; AA-LCR'da ise Kimi K3'ün 88,7'ye ulaştığı yerde 79,3 alır. Bu, Beam'i uzun girdiler için kullanışlı kılar; ancak sınıf lideri değildir.
Eğitilmediği görevlere de taşan araçsal beceriler
Duyurudaki en ilginç sonuç, bir liderlik tablosuyla ilgili değil.
Akıl yürütme, yazılım mühendisliği ve terminal görevlerini kapsayan bir eğitim aşaması sırasında, RL karışımında hiç gezinme görevi olmamasına rağmen, Beam'in gezinme puanları yine de iyileşti.
Web erişimi verildiğinde, model kendi kendine; göremediği belgeleri okumak için diğer dil modellerine sorgu gönderebileceğini ve optik karakter tanıma (OCR) API'lerini çağırabileceğini keşfetti.
Reflection'ın demoları bunu daha da ileri taşıyor: kamusal MTA verilerinden oluşturulmuş canlı bir NYC metro haritası, tamamen metinle inşa edilmiş 3B bir p5.js serbest düşüş oyunu ve OpenCode içinde Unsloth dokümantasyonundan derlenen bir Gemma 4 ince ayar not defteri; bu da Gemma'nın ayrılmış test doğruluğunu %66,5 artırdı.
Duyurudaki genelleme testlerinden biri, eğitim verilerinde görülmesi zor olduğu için özellikle anılmaya değer.
Reflection, lansmandan birkaç gün önce X'te viral olan bir ızgara bulmacasını yeniden yarattı ve Beam'den sabit 180x90 dünya ızgarasındaki 16.200 noktanın her birini kara veya su olarak sınıflandırmasını istedi. Beam bunların %95,5'ini doğru bildi; Opus 5'in %92,5'i ile Fable 5'in %97,8'i arasında.
Bir güne kadar gecikmeli eşzamansız RL
Beam, eşzamansız RL ile eğitildi; yani model, eğitim güncellemeleri paralel gerçekleşirken rollout üretmeye devam eder; birbirini beklemez. Bu nedenle tek bir uzun rollout, modelin birkaç farklı sürümü tarafından üretilmiş token'ları içerebilir.
Reflection, bir partinin en eski örneği mevcut sürümden 107 güncelleme geride, yaklaşık bir gün eski bir model sürümünden geldiğinde bile öğrenmenin kararlı olduğunu bildiriyor.
RL sistemleri kuruyorsanız altyapı sayıları ilginizi çekebilir:
Apache 2.0 altında açık ağırlıklar ve etrafındaki yığın
Reflection, Ekim 2026'nın ilerleyen günlerinde Beam'in ağırlıklarını Apache 2.0 altında, teknik rapor, model kartı, dokümantasyon ve modeli çalıştırma, değerlendirme ve ince ayar araçlarıyla birlikte yayımlayacağını söylüyor.
Ayrıca, oluşturduğu dahili güvenlik değerlendirmelerini de açık kaynak yapmayı planlıyor; bu, ağırlık yayınından daha nadirdir.
Apache 2.0 mümkün olan en serbest lisanslardan biridir: ticari kullanım, yeniden dağıtım ve değiştirme serbest; kullanıcı veya gelir eşiği yok.
Bu önemli; çünkü Kimi K3 ve DeepSeek V4.1 Flash, açık bir modelin neye izin vermesi gerektiğine dair beklentiler belirledi ve kısıtlayıcı bir lisans Beam'i tartışmanın dışına iterdi.
Beam Kıyaslamalarda Nasıl Performans Gösteriyor?
Beam, çoğu değerlendirmede GLM 5.2'nin bulunduğu yere yakın iniş yapıyor; Inkling ve Nemotron 3 Ultra'nın oldukça önünde ve en zorlu araçsal kodlama görevlerinde Kimi K3, GLM 5.3 ve DeepSeek V4.1 Flash'ın belirgin şekilde gerisinde.
Reflection bunu açıkça belirtiyor ve Beam'in avantajını tepe kabiliyetten ziyade verimlilik olarak çerçeveliyor.
Aşağıdaki tüm rakamlar tedarikçi bildirimlerine dayanıyor; rakip puanları Reflection tarafından Artificial Analysis ve DataCurve kaynaklı.
Kodlama ve araçsal iş akışları
Beam'in manşet kodlama skoru SWE-bench Verified'da 80,9; Inkling için 77,6 ve Nemotron 3 Ultra için 70,7'ye karşı.
SWE-bench Verified, modelin projenin kendi testlerini geçen bir düzeltme yazması gereken, insan tarafından kontrol edilmiş gerçek GitHub sorunlarından oluşur ve uygulayıcıların çoğunun ilk baktığı kıyas olmaya devam eder.
Başka yerlerde tablo daha az cazip.
Gerçekte aralarında seçim yapacağınız modellere karşı, Beam karşılaştırma puanının bulunduğu her araçsal kodlama kıyasında geridedir.
NR = raporlanmadı.
DeepSWE ve SWE Atlas farkları büyük.
DeepSWE v1.1, tekli düzeltmeler yerine çok adımlı araçsal yazılım mühendisliğini test eder ve DeepSeek V4.1 Flash'a göre 29,8 puanlık bir açık, yuvarlama hatası değildir.
SWE-bench Pro v1'de, Beam'in 65,5'i GLM 5.2'nin 62,1'ini geçer ve Qwen 3.8-Max'in 67,7'sinin hemen altındadır.
Akıl yürütme ve bilgi görevleri
Humanity's Last Exam (HLE) araçsız durumda, Beam 36,2 alırken GLM 5.2 40,5, GLM 5.3 42,3, Qwen 3.8-Max 43,6 ve Kimi K3 46,9 alır.
HLE, arama ve ezberin pek yardımcı olmaması için tasarlanmış, uzmanlarca yazılmış sorulardan oluşur ve bu gruptaki daha büyük modelleri ödüllendirme eğilimindedir.
Geri kalan akıl yürütme seti daha sıkıdır:
Buradaki hemen her model AIME'de tepeye yakın puan alıyor; bu yüzden artık ayrıştırıcı değil ve GPQA Diamond'da Kimi K3'e karşı 3 puanlık fark, üretim konuşlandırmasını belirleyen şey değildir.
Araştırma düzeyi fizik problemlerinden oluşan CritPt, farkın can sıkıcı olduğu yer; Kimi K3, Beam'den yaklaşık %50 daha yüksek puan alıyor.
Arama ve araç çağırma
Beam'in araç çağırma sonuçları en dengesiz setidir.
AutomationBench'te (kamusal set) 37,0 alır; GLM 5.2'nin 26,2'sinin önünde; ancak Kimi K3'ün 46,7'si ve DeepSeek V4.1 Flash'ın 54,8'inin gerisinde. MCP Atlas'ta 78,7; GLM 5.2 için 77,8 ve Qwen 3.8-Max için 84,5'tir.
τ³-bench banking'te Beam 38,0'a ulaşır; GLM 5.2 ve Kimi K3 için 37,1'e karşı; Qwen 3.8-Max ise 55,2 ile belirgin biçimde öndedir. Arama en zayıf alan: BrowseComp'ta 77,4 ve bağlam yönetimiyle DeepSearchQA'da 80,1; Kimi K3'ün 91,2 ve 95,0'ına karşı. Ajanınız açık webde yaşıyorsa, önemsemeniz gereken açık budur.
Çıkarım verimliliği
Reflection'ın aslında bakmanızı istediği sayı çıkarım verimliliğidir.
Reflection'ın HLE verimlilik grafiğinde Beam, deneme başına tahmini 0,82 PFLOP (katrilyon kayan nokta işlemi) hesaplama ile %35,3'e ulaşırken, Inkling yaklaşık %26'ya ulaşmak için ~4,1 PFLOP ve Nemotron 3 Ultra ~%21 için ~1,9 PFLOP gerektirir.
Reflection'ın daha geniş iddiası, Beam'in gelişmiş akıl yürütmede GLM 5.2 ile eşleştiği; bunu da 3 ila 4 kat daha az çıkarım hesaplamasıyla yaptığı ve 2T+ Qwen 3.8-Max ailesine karşı farkın daha da büyük olduğudur.
Yöntemi dikkatle okuyun: hesaplama, bir deneme başına ortalama üretilen token sayısı ile aktif parametrelerin 2 katının çarpımı olarak tahmin edilir. İstem işlemeyi, uzun bağlamların ek dikkat maliyetini ve servis ek yükünü dışarıda bırakır.
Bu, ölçülmüş bir konuşlandırma maliyeti değil; yaklaşık bir hesaplama karşılaştırmasıdır ve yalnızca aktif parametreleri saydığı için doğal olarak Beam gibi seyrek modelleri kayırır.
Beam Nasıl Hizalandı?
Reflection, aynı ön eğitim denetim noktasından ayrı bir güvenlik ve hizalama modeli eğitti; ardından çoklu öğretmenli anlık politika üzerinde damıtma (MOPD) kullanarak bunu ana RL-eğitimli modelle birleştirdi; burada tek bir öğrenci model, iki "öğretmen" modelden aynı anda öğrenir.
Hizalama ilkeleri üç katmanda düzenlenmiştir:
Güvenlik eğitimi, modele yanıtlamadan önce güvenlik politikasını akıl yürütmeyi öğreten müzakereci hizalamayı kullandı. Bir adversaryal döngü, her turdaki denetim noktasına karşı saldırılar üretti ve başarılı olanları bir sonraki turun denetimli ince ayar verisine geri besledi.
Reflection ayrıca, RL'in derecelendirmesi zor davranışları ne kadar iyileştireceğini r = 0,79 korelasyonla öngörebildiğini; daha basit bir Best-of-N temeliyle bunun 0,46 olduğunu bildiriyor. Güvenlik değerlendirme sonuçlarının şimdi değil, teknik raporda paylaşılacağı vaat ediliyor.
Beam Fiyatlandırma ve Erişilebilirlik
Beam için yayımlanmış bir fiyat yok. Reflection'ın geliştirici dokümantasyonunda 6 Ekim 2026 itibarıyla token başına fiyat listesi bulunmuyordu; bu da barındırılan Kimi K3 veya DeepSeek V4.1 Flash uç noktalarına karşı herhangi bir maliyet karşılaştırmasını şu an imkânsız kılıyor.
Erişim, kademeli olarak açılan bir bekleme listesi üzerinden API betasıyla sağlanıyor.
Belgelendirilmiş temel URL
https://api.reflection.ai/openai/v1ve dar anlamda OpenAI uyumludur: Chat Completions ve model listeleme desteklenir; Responses, Embeddings, Files ve Batch desteklenmez. Beta sınırları ve davranışın değişebileceği açıkça belirtilmiştir.Şimdilik dağıtım zayıf. 6 Ekim 2026'da kontrol ettiğimde Beam, Ollama'da yoktu; OpenRouter kataloğunda yoktu; OpenCode'un kullandığı models.dev kataloğunda yoktu ve Hugging Face'te ağırlık listelenmiyordu.
Reflection, ağırlık yayınıyla birlikte dağıtım ortakları ve açık kaynak koşum entegrasyonlarıyla lansman yapacağını söylüyor.
Reflection AI'nin Beam'ine Nasıl Erişilir?
Beam'in ağırlıkları henüz yayımlanmadı.
Reflection, Ekim 2026'nın ilerleyen günlerinde; ağırlıklar, teknik rapor, model kartı ve modeli çalıştırma, değerlendirme ve ince ayar araçlarını kapsayan bir Apache 2.0 yayınına taahhüt verdi. Bu gerçekleşene kadar kendi başınıza barındıramaz, kuantize edemez, gerçekten ne kadar GPU belleği gerektiğini ölçemez veya yayımlanmış herhangi bir puanı çoğaltamazsınız.
Bugün yapabileceğiniz şey, beta bekleme listesine katılmak ve barındırılan API'yi çağırmaktır.
Geliştirici dokümantasyonundaki model kimliği
Beam-501B-A23Bve uç nokta Chat Completions konuştuğu için, temel URL'yi değiştirdiğinizde resmi OpenAI Python istemcisi çalışır.Bu deseni şu anda erişebileceğiniz bir modelle denemek isterseniz, GPT-6 Sol API eğitimimiz aynı istemci kodunu kullanır; bir araçsal geçiş görevi için araç izinleri ve maliyet takibi dahil.
Son Düşünceler
Beam, inandırıcı bir açık-ağırlık girişidir ve verimlilik çerçevesi dürüst olandır: Kimi K3 ve DeepSeek V4.1 Flash, en çok önemsenen araçsal kodlama kıyaslarında onu geçiyor; dolayısıyla Beam için argüman, kabiliyetten ziyade çözülen görev başına maliyet olmalıdır.
Henüz etrafında plan yapmazdım.
Yayımlanmış ağırlıklar, bir fiyat veya tek bir bağımsız çoğaltma olmadan, burada yer alan her iddia modeli eğiten laboratuvardan geliyor ve hesaplama karşılaştırması, istem işleme ve servis maliyetlerini dışarıda bırakıyor. Apache 2.0 ağırlıklar indiğinde ve Artificial Analysis kendi sayılarını yayımladığında yeniden bakın.
Bu arada açık-ağırlık yığınıyla pratik yapmak isterseniz, AI Fundamentals beceri yolumuz temeli oluşturmak için iyi bir yerdir.