Reflection AI ha annunciato il 5 ottobre 2026 Beam, il suo primo modello open-weight: 501 miliardi di parametri totali, 23 miliardi attivi per token, addestrato su 23,8 trilioni di token con una finestra di contesto da un milione di token. La startup di Brooklyn, fondata da ex ricercatori di Google DeepMind e sostenuta finanziariamente da NVIDIA, si presenta come l’alternativa occidentale ai grandi modelli cinesi che dominano il segmento open da mesi.
Beam è un modello mixture-of-experts, solo testo, costruito per coding, ragionamento e task agentici. Il pretraining è avvenuto in meno di quattro settimane su 6.144 GPU NVIDIA GB300. La fase di reinforcement learning ha richiesto 10.500 GPU GB300 per quattro settimane, generando oltre 100 milioni di rollout. Reflection stessa definisce questo il training run di reinforcement learning più grande mai eseguito da un laboratorio open. I pesi arriveranno entro fine ottobre con licenza Apache 2.0, preceduti da una scheda tecnica e da un model card. Per ora l’accesso è riservato a un gruppo selezionato di utenti tramite lista d’attesa.
Sul fronte dei benchmark, il quadro è più sfumato di quanto la narrazione ufficiale suggerisca. Reflection dichiara che Beam eguaglia GLM-5.2 di Z.ai sul ragionamento avanzato usando da tre a quattro volte meno compute in inferenza, una stima che la stessa azienda definisce approssimativa, non misurata. Su SWE-bench Verified Beam segna 80,9, contro il 77,6 di Inkling, il modello occidentale di Thinking Machines Lab. Su Terminal Bench v2.1 si ferma a 80,1, mentre Kimi K3 di Moonshot AI arriva a 88,3. La tabella pubblicata da Reflection mostra Beam in ritardo su più benchmark di coding rispetto a modelli come DeepSeek V4.1 Flash e Kimi K3. Nessuna valutazione indipendente esiste ancora.
Il contesto in cui nasce Beam spiega le ambizioni di Reflection. La startup ha raccolto 2 miliardi di dollari con l’obiettivo esplicito di costruire una risposta americana ai modelli open cinesi, che dalla comparsa di DeepSeek hanno dettato il ritmo sul segmento dei pesi scaricabili. Reflection punta su imprese, sviluppatori e governi sovrani con una proposta chiamata “AI factory”: sistemi personalizzati, costruiti sui propri dati, controllati localmente, senza dipendenza da API chiuse come quelle di OpenAI o Anthropic. L’efficienza computazionale è il vero argomento di vendita: più intelligenza per token, non più parametri in assoluto.
Due enti governativi di sicurezza stanno già esaminando il modello, e Reflection prevede di pubblicare i propri test di sicurezza interni insieme al rilascio dei pesi. Se le dichiarazioni sull’efficienza reggessero a una verifica esterna, Beam diventerebbe il primo modello occidentale open a competere davvero con i benchmark cinesi su una metrica che conta quanto le imprese: il costo reale dell’inferenza. Il vero banco di prova inizia quando i pesi diventano pubblici e i laboratori indipendenti eseguono le stesse valutazioni.
