AREX Feed Article
Reflection 公布首个开放权重模型 Beam：501B 总参数、23B 激活，称本月内发布权重
10 月 5 日，Reflection 在公布了其首个开放权重模型 Beam。按博客的说法，这是一个稀疏 Mixture-of-Experts（MoE，混合专家）模型：总参数 501B（5,010 亿），每个 token 激活其中 23B（230 亿）；面向编码、推理与智能体（agentic）工作负载，预训练语料为 23.8 万亿 tokens。博客称权重将在本月晚些时候按 Apache 2.0 许可发布。
稀疏激活、训练数据与能力边界
MoE 的「稀疏」体现在激活方式上：生成每个 token 时只调用总参数中的一部分，博客在估算推理算力时也明确按「每 token 激活参数」而非总模型规模计算。
训练数据方面，博客称这批语料来自网络、公开来源与专有授权数据集，训练几乎覆盖了网络上所有可公开获取、许可不受限制的代码与代码文档。博客还称 Beam 的基础模型与可获取的同规模开源基础模型相比「持平或更优」。
博客还写明：中期训练（midtraining）把有效上下文扩展到 1M tokens；Beam 是纯文本模型，但可以处理以文本形式提供的其他模态信息。博客给出的四个演示包括用公开数据搭建纽约地铁实时地图和为 Gemma-4 编写微调 notebook，用来说明 Beam 在具体任务中的表现。
基准成绩与 3～4 倍算力差：数字怎么算出来的
博客给出的成绩表横跨编码、推理、工具调用与通用能力四组基准，并注明 NR 代表未报告的成绩。Beam 的几项主要得分：SWE-bench Verified 80.9、SWE Bench Pro v2-Hard 77.2、Terminal Bench v2.1 80.1、AIME 2026 97.8、GPQA Diamond 90.5、HLE（不使用工具）36.2。对照模型包括 GLM 5.2、Kimi K3、Qwen 3.8-Max 等。
博客对竞争位置的表述是：Beam 在编码与智能体任务上能与 GLM 5.2 这类更大的开放模型竞争、并接近 Qwen 3.8-Max；Kimi K3 这类前沿开放模型在原始能力上仍然领先，而 Beam 的优势在推理效率。具体说法是，在高级推理基准上，Beam 取得与 GLM-5.2 相当的成绩时，推理算力少用 3～4 倍。
「3～4 倍」是估算值：博客说明，其比较方式是按「FLOPs ≈ 2 × 每 token 激活参数量 × 平均生成 token 数」估算生成阶段的前向算力（FLOPs 即浮点运算次数），不计入提示词预填充（prompt prefill）、依赖上下文的注意力计算与服务开销，因此它被写成「近似的算力比较，而不是实测的推理成本」；对比图中其他模型的评测成绩注明取自 Artificial Analysis 与 DataCurve。
在推理长度与效果之间，Beam 提供了 reasoning effort 参数：调低时回复更短，调高则允许更长的推理，让用户按任务与算力预算调节。
4 周、10,500 张 GB300 与超过 1 亿次 rollout 的强化学习
博客称，高算力强化学习（RL）是 Beam 的核心扩展方向：训练动用 10,500 张 NVIDIA GB300 GPU、历时 4 周，生成超过 1 亿次 rollout（采样轨迹），单次最大上下文 256K tokens；训练与评分使用了约 13 亿个沙箱，任务池接近 100 万个环境，覆盖编码、智能体与 STEM（科学、技术、工程与数学），主要来自合成数据管线，另有专有供应商数据与开源来源。
方法上，Beam 用异步策略梯度训练。异步在规模上会带来策略陈旧（policy staleness）问题：一条长轨迹里的 token 可能由多个模型版本生成。博客称新算法能在这种条件下保持稳定的学习：即使训练数据是超过一天前生成的交互、样本最多落后当前策略 107 个权重版本，数值仍然稳定。
博客对结果的表述是：随着 RL 算力增加，各项评测的成绩持续提升、没有出现平台期，并称这次训练「可能是迄今开放实验室做过的规模最大的 RL 训练之一」。预训练一侧同期公布的数据是：整段预训练共执行了九次半自动回退（rewind），训练有效时间占比（goodput）末段达到 92.3%。
权重尚未发布：等候名单、配套资料与评估进度
眼下实际可用的入口有两个：部分用户能拿到早期版本，其他开发者可以加入等候名单。截至公告发布，权重尚未公开；博客称 Beam 仍在进行最终的红队测试（red-teaming）与评估。随权重一同承诺发布的还有技术报告、模型卡与开发者资料。
博客称，权重发布时会一并提供运行、评估与微调所需的完整工具栈，并接入分发伙伴和开源库、工具链，让开发者能在现有开源工作流里使用 Beam。Reflection 还称 Beam 是系列模型的第一个，下一个模型已在训练中。
安全与对齐采用独立管线：从同一个预训练检查点出发，用单独的 SFT（监督微调）与 RL 管线训练出专注安全与对齐的第二个模型，再通过多教师同策略蒸馏（MOPD）把它的能力与大规模 RL 教师的能力合并进最终模型；安全训练采用把安全政策写进模型推理的 deliberative alignment 方法，数据用对抗式迭代的方式构建。安全评估结果将随技术报告发布，Reflection 称会把内部使用的安全评测开源。
Beam 的基准成绩、效率估算和训练规模数字都还只是 Reflection 的自述；外部的独立复核，要等权重与技术报告发布之后才能开始。