Reflection выпустила Beam: 501B параметров и 30 баллов в Intelligence Index

Reflection вышла на рынок сразу с моделью, которую независимые тесты ставят в верхнюю часть американских открытых систем. Beam — это модель с открытыми весами, 501 млрд параметров в сумме и 23 млрд активных на токен. В Artificial Analysis Intelligence Index она набрала 30 баллов. Выше среди американских open weights только Meta Muse Spark Open с 39 баллами. Nemotron 3.5 Super VL от NVIDIA, вышедшая днём раньше, получила 26. Среди всех открытых моделей Beam занимает десятое место и отстаёт на один балл от K2 Horizon из ОАЭ (31). Вне Китая выше стоят только эти две модели.

Мало токенов на единицу интеллекта

Главная особенность Beam не в абсолютном балле, а в цене, которую модель платит за него. На одну задачу индекса она тратит около 26k выходных токенов, из них около 19k уходит на рассуждения и около 7k на ответ. K2 Horizon, опережающая Beam на балл, расходует около 52k, то есть вдвое больше. Закрытые модели по-прежнему задают планку: GPT-6 Astra (max) набирает 53 балла при бюджете около 27k токенов, почти таком же, как у Beam.

Доля финального ответа в выводе Beam составляет лишь 26%. Это 28-й результат снизу среди 219 моделей, протестированных на Intelligence Index v4.3. Модель много думает и мало говорит. В Cyber Index, где она закрывает 34% задач, это даёт ей место на фронтире «результат против выходных токенов» рядом с GPT-6 Sol (Daybreak Blue). Среди протестированных американских open weights по этому индексу Beam лидирует.

Агенты сильны, терминал слаб

Картина по отдельным тестам неровная. Ключевые цифры:

• AutomationBench-AA: 48,5%. K2 Horizon показывает 37,2%, Qwen3.8 27B — 48,2%.
• CritPt: 13,1%. Это более чем вдвое выше K2 Horizon (4,6%) и Qwen3.8 27B (5,4%).
• Terminal-Bench 4.0: 3,0%. Qwen3.8 27B получает 5,6%, Muse Spark Open — 8,1%.
• AA-Briefcase: 976 Elo, ещё одно слабое место.
• Контекстное окно: 1M токенов. Модальность только текстовая.

В кодинге результат скромнее. В связке с Mirror, открытым CLI-обвесом самой Reflection, Beam получает 28 баллов в Coding Agent Index. До следующей конфигурации, Claude Code с Qwen3.8 Max (43), не хватает 15 пунктов, до лидеров (68) — 40. Зато по токенам модель экономна: меньше тратят только Codex с GPT-6 Astra и Codex с GPT-6.1 Sol.

Знает больше, но и выдумывает чаще

В AA-Omniscience Beam правильно отвечает на 33% вопросов. У K2 Horizon этот показатель 18%, у Qwen3.8 27B — 16%. Плата за широкие знания высокая: доля галлюцинаций у Beam 47%, у K2 Horizon 26%, у Qwen3.8 27B 30%. Модель реже говорит «не знаю» и чаще уверенно ошибается. Итоговый балл индекса у неё 1,5, что всё равно лучше, чем у конкурентов (−3,0 и −10,0). Выигрыш в точности перевешивает штраф за выдумки, но запас небольшой.

Кому Beam подойдёт на практике

Это кандидат для автоматизации бизнес-процессов и многошаговых агентных сценариев, где важны стоимость токена и контроль над весами. Двойная экономия на выходных токенах по сравнению с K2 Horizon напрямую снижает счёт за инференс на больших объёмах. Активных параметров всего 23 млрд, поэтому нагрузка на обслуживание ниже, чем у плотных моделей сопоставимого размера, но хранить придётся все 501 млрд.

Для терминальных задач и автономного кодинга Beam пока выглядит слабее соперников. Если вы строите ассистента, который отвечает на фактические вопросы без проверки источников, 47% галлюцинаций — серьёзный риск, и нужны ретривал или верификация ответа. Разумный план: взять модель под агентные пайплайны с внешней проверкой, а кодинг оставить более сильным связкам. Отдельно стоит посмотреть на Mirror: открытый обвес позволяет воспроизвести результаты Reflection на своей инфраструктуре и сравнить их с тем, что показал независимый тест.