Новая модель ИИ Beam от Reflection

Reflection AI, бруклинский стартап возрастом два года, представил Beam, свою первую открытую модель ИИ уровня фронтира, которая, по заявлению компании, догоняет лидирующие китайские открытые модели на бенчмарках сложного рассуждения и при этом требует кратно меньших вычислительных затрат.

Анонс подтвердил информацию, которую Axios опубликовал в выходные. В понедельник Reflection AI выложила развёрнутый пост в блоге, где описала Beam как текстовую модель на архитектуре MoE (mixture-of-experts, когда при каждом запросе работает лишь часть параметров, а не вся сеть), обученную методом RL (reinforcement learning, обучение с подкреплением, когда модель учится через вознаграждение за правильные шаги) с большим объёмом вычислений. Основные задачи: рассуждение, код и агентные сценарии.

Что именно измеряли?

Reflection AI сравнивала Beam с другими открытыми моделями ИИ на бенчмарках продвинутого рассуждения и на четырёх тестах по коду. Бенчмарки, это стандартизированные задачи, на которых проверяют, насколько модель умеет логически мыслить, писать программы, следовать сложным инструкциям.

Ближайшая точка сравнения: GLM-5.2 от китайской Z.ai с 744 млрд параметров и 40 млрд активных. Beam заметно компактнее по активной части, 23 млрд против 40 млрд, но заявляет сопоставимые результаты.

Среди западных конкурентов компания выделяет Inkling от Thinking Machines Lab (стартап Миры Мурати, бывшего технического директора OpenAI). По собственным тестам Reflection, Beam опережает Inkling на четырёх кодовых бенчмарках, где оба проекта публикуют результаты. Но Inkling работает с текстом, изображениями и другими типами данных (мультимодальная модель), а Beam пока только с текстом.

Что обнаружили?

• Сопоставимая с лидерами точность при меньших затратах. По собственным данным Reflection AI, Beam набирает баллы на уровне GLM-5.2 от Z.ai и превосходит ведущие западные открытые модели ИИ на бенчмарках рассуждения.
• Инференс дешевле в 3-4 раза. Компания заявляет, что Beam расходует в 3-4 раза меньше вычислений на генерацию ответа, чем сопоставимые конкуренты. Для бизнеса это прямая экономия: каждый запрос к модели стоит дешевле.
• Архитектура MoE с малой активной частью. При общем размере 501 млрд параметров на каждый запрос задействованы только 23 млрд. Это как офис из 500 специалистов, где на каждую задачу выходят 23 профильных, остальные не тратят электричество.
• Огромный объём предобучения. 23,8 трлн токенов (токен, это примерно 3/4 слова) и контекстное окно в 1 млн токенов, модель может удерживать в «оперативной памяти» текст размером с толстый роман.

Откуда деньги и вычисления?

Reflection AI основали в 2024 году два бывших исследователя Google DeepMind. По данным PitchBook, стартап привлёк около 4,7 млрд долларов от Nvidia, Sequoia Capital и Lightspeed Venture Partners. Последний раунд оценил компанию в 25 млрд долларов (pre-money, то есть до вложения нового капитала).

Летом Reflection подписала контракты суммарно свыше 7 млрд долларов со SpaceX и Nebius на доступ к чипам Nvidia GB300 до 2029 года. Это гарантирует стартапу вычислительную базу на годы вперёд, без которой невозможно обучать модели уровня фронтира.

Для кого и зачем: «ИИ-фабрики»

Reflection называет Beam «рабочей лошадкой» для предприятий, госсектора и разработчиков. Главный продукт, «ИИ-фабрики»: заказчик получает модель Reflection, дообучает (fine-tuning) её на собственных закрытых данных и разворачивает локально. Концепцию «ИИ-фабрик» давно продвигает CEO Nvidia Дженсен Хуанг, чья компания является инвестором Reflection: больше локальных развёртываний означает больше проданных GPU.

По данным Axios, хедж-фонды и торговые компании уже проявляют интерес к таким системам. Reflection запустила пилот суверенной ИИ-фабрики с южнокорейской Shinsegae Group.

Что это значит для вас?

Автору на Дзене. Beam пока работает только с текстом, но если независимые тесты подтвердят заявленное качество рассуждений при низкой стоимости инференса, это ещё один сильный вариант для генерации черновиков, проверки логики статей и кодирования простых скриптов. Веса обещают открыть в этом месяце, значит, модель появится в опенсорс-сервисах.

Маркетологу. Снижение стоимости инференса в 3-4 раза, если оно реально, давит на цены по всему рынку: закрытые модели вроде Claude и GPT вынуждены будут отвечать снижением тарифов или наращиванием качества. Конкуренция открытых моделей ИИ с закрытыми ускоряется.

Предпринимателю в РФ и СНГ. Из открытых моделей ИИ, доступных в России сейчас, ближе всего по формату DeepSeek и Qwen: их можно запускать на своём железе. Beam позиционируется как западная альтернатива именно им, и с открытыми весами формально доступна отовсюду. Из российских аналогов: YandexGPT и GigaChat работают через API, но не раздают веса. Локальная модель с открытыми весами за меньшие вычислительные ресурсы может оказаться выгоднее облачных подписок, если у компании есть свой GPU-кластер или аренда серверов.

Дождитесь открытых весов, обещанных в этом месяце, и проверьте Beam на своих задачах: именно так, на практике, а не по бенчмаркам, выясняется, годится ли модель для вашей работы.

По данным TechCrunch