Tous les articles
IA & dev

Reflection AI Beam : un modèle ouvert de 501 milliards de paramètres, sans poids pour l'instant

Par Elouan Laurent

Reflection AI Beam : qu'est-ce qui est disponible au 13 octobre 2026 ?

Reflection AI a présenté Beam le 5 octobre 2026. C'est son premier modèle à poids ouverts : un modèle de 501 milliards de paramètres, dont 23 milliards actifs par token, conçu pour le code, le raisonnement et les agents.

Voici ce qui existe vraiment au 13 octobre 2026 :

  • Livré : l'annonce, une API en bêta et sa documentation. L'accès passe par une liste d'attente.
  • Promis : les poids, sous licence Apache 2.0, avec le rapport technique et la model card. Reflection écrit « later this month », sans date précise.
  • Absent : les poids eux-mêmes. L'organisation Hugging Face de Reflection affiche zéro modèle.

Ce que Reflection annonce : 501 milliards de paramètres, 23 milliards actifs

Beam est un modèle « Mixture-of-Experts » (MoE). Le réseau contient de nombreux sous-réseaux spécialisés, les experts. Pour chaque token, un routeur n'en active que quelques-uns. D'où l'écart entre 501 milliards de paramètres au total et 23 milliards réellement utilisés à chaque pas.

Reflection donne des chiffres d'entraînement précis :

  • 23 800 milliards de tokens de pré-entraînement, issus du web et de jeux de données sous licence ;
  • un pré-entraînement de moins de quatre semaines sur 6 144 GPU NVIDIA GB300 ;
  • un apprentissage par renforcement de quatre semaines sur 10 500 GB300, avec plus de 100 millions d'exécutions d'essai.

Deux limites figurent dans les sources de Reflection elles-mêmes. Beam est un modèle texte seul : l'API refuse les images, l'audio et les fichiers. Et l'annonce parle d'un contexte effectif d'un million de tokens, quand l'API bêta expose 256 000 tokens. La documentation précise que cette fenêtre peut changer pendant la bêta.

Reflection se place sur « la frontière occidentale » des modèles ouverts. L'annonce reconnaît aussi que Kimi K3 reste devant en capacité brute. Selon Reflection, l'avantage de Beam est son efficacité à l'inférence.

80,9 % sur SWE-bench Verified : un chiffre de l'éditeur

Reflection annonce 80,9 % sur SWE-bench Verified. Ce banc d'essai compte 500 tâches tirées de vrais tickets GitHub de dépôts Python. C'est une déclaration de l'éditeur. Au 13 octobre 2026, Beam ne figure pas dans le classement officiel de SWE-bench, et sans poids publics, personne ne peut reproduire le score.

Le tableau de l'annonce mérite une lecture attentive :

  • Sur SWE-bench Verified, les grands concurrents n'ont pas de score. GLM 5.2, Kimi K3, Qwen 3.8 Max et DeepSeek V4.1 Flash y sont notés « NR » (non reporté). Le 80,9 % se compare seulement à Inkling (77,6) et Nemotron 3 Ultra (70,7).
  • Sur d'autres bancs, Beam est derrière. Sur Terminal Bench v2.1, Reflection affiche 80,1 pour Beam, 81,0 pour GLM 5.2, 88,3 pour Kimi K3 et 90,6 pour DeepSeek V4.1 Flash.
  • Les chiffres ont bougé. Une note datée du 8 octobre indique que les résultats de Beam ont été mis à jour. L'annonce ne dit pas lesquels.

Reflection affirme aussi que Beam obtient des scores comparables à GLM-5.2 sur les bancs de raisonnement avancé, avec 3 à 4 fois moins de calcul. C'est une estimation théorique, calculée avec la formule « 2 × paramètres actifs × tokens générés ». Reflection précise elle-même qu'elle exclut le traitement du prompt, l'attention et le coût de service. Ce n'est pas un coût mesuré.

Quel matériel faudrait-il pour héberger Beam ?

Reflection ne publie aucune configuration requise. Le calcul ci-dessous est le mien. C'est un ordre de grandeur, pas une mesure.

Un point clé d'abord : les 23 milliards de paramètres actifs réduisent le calcul, pas la mémoire. Le routeur peut choisir n'importe quel expert à chaque token. Les 501 milliards de paramètres doivent donc tous rester chargés en mémoire.

La mémoire des poids vaut le nombre de paramètres multiplié par la taille d'un paramètre. Reflection n'a pas annoncé la précision des fichiers publiés. J'envisage donc trois cas. Le H100 SXM compte 80 Go de mémoire et le H200 141 Go, selon les fiches de NVIDIA.

Précision Octets par paramètre Poids seuls 8 × H100 (640 Go) 8 × H200 (1 128 Go)
BF16 2 ~1 000 Go ne tient pas tient, ~126 Go de marge
FP8 1 ~500 Go tient, ~139 Go de marge tient largement
4 bits 0,5 ~250 Go tient largement tient largement

Ce tableau compte les poids seuls. Il faut y ajouter le cache KV, la mémoire de travail du modèle, qui grossit avec la longueur du contexte et le nombre d'utilisateurs simultanés. Sans la model card, je ne peux pas le chiffrer. Avec de longs contextes, il peut absorber une bonne partie de la marge.

Côté calcul, la formule de Reflection donne environ 46 milliards d'opérations par token généré (2 × 23 milliards). C'est l'ordre de grandeur d'un modèle dense de 23 milliards de paramètres. Beam se rapproche donc d'un petit modèle pour le calcul, mais d'un très gros pour la mémoire.

D'après ce calcul, pour servir Beam en BF16 ou en FP8, un serveur de huit GPU de classe H100 ou H200 est le point d'entrée réaliste.

Appeler Beam depuis une application Java aujourd'hui

Si vous obtenez un accès, l'API offre un endpoint compatible OpenAI. Il gère Chat Completions et la liste des modèles, et rien d'autre. Côté Spring AI 2.0.1, c'est la même configuration que pour OpenRouter :

spring.ai.openai.base-url=https://api.reflection.ai/openai/v1
spring.ai.openai.api-key=${REFLECTION_API_KEY}
spring.ai.openai.chat.model=Beam-501B-A23B

Je n'ai pas exécuté cette configuration : je n'ai pas de clé, l'accès est sur liste d'attente. Elle reprend l'URL et l'identifiant de modèle de la documentation de Reflection. Si l'appel échoue, vérifiez le /v1 de l'URL de base : la doc Spring AI prévient que sa présence dépend du serveur visé.

Quatre points de la documentation comptent pour un développeur Java :

  1. Pas d'API Responses. Le OpenAiResponsesChatModel de l'API Responses de Spring AI 2.1 ne fonctionnera pas avec Beam. Restez sur le modèle Chat Completions.
  2. Le raisonnement doit être renvoyé. Chaque message assistant d'une requête doit porter son champ reasoning_content, tel que reçu. Sinon l'API répond 400. La doc Spring AI 2.0.1 décrit la lecture de ce champ, pas son renvoi. Testez une conversation à plusieurs tours, avec appels d'outils, avant toute autre chose.
  3. L'effort de raisonnement par défaut peut être max. C'est la valeur de l'exemple de la documentation, et elle varie selon l'organisation. Beam raisonne toujours : aucune valeur ne coupe le raisonnement. Fixez reasoning_effort vous-même. Spring AI documente la propriété spring.ai.openai.chat.extra-body pour passer ce genre de paramètre à un serveur compatible OpenAI ; je ne l'ai pas testée avec Beam.
  4. Aucun prix public. L'API exige une carte bancaire vérifiée, mais Reflection ne publie pas de grille tarifaire.

Faut-il parier sur Beam maintenant ?

Mon avis : pas encore. Beam est aujourd'hui une promesse sérieuse, documentée avec soin, mais une promesse. Au 13 octobre 2026, c'est une API payante, en bêta, sans prix public. L'argument « poids ouverts » n'existe pas tant que les fichiers ne sont pas téléchargeables.

J'attendrais trois choses avant d'en faire une brique d'architecture :

  1. Les poids et le fichier de licence. Lisez la licence réelle, pas l'annonce. Notez la précision des fichiers publiés : elle fixe le nombre de GPU.
  2. Des benchmarks indépendants, sur les mêmes bancs que les concurrents. Aujourd'hui, la ligne SWE-bench Verified ne compare Beam à aucun grand modèle ouvert.
  3. Le rapport technique et les résultats de sécurité, que Reflection promet de publier avec les poids.

D'ici là, une action peu coûteuse : préparez un jeu de 20 à 30 tâches tirées de votre propre code, avec la sortie attendue. Le jour où les poids sortent, vous mesurez Beam sur votre dépôt plutôt que sur un tableau d'éditeur.

Vous voulez évaluer un modèle ouvert sur votre propre code Java / Spring Boot avant de l'héberger ? Je développe sur cette stack depuis 2015. Réserver un appel découverte de 30 minutes pour construire ce jeu de tests.

À lire ensuite