Beam Inafanya kazi

Beam ni modeli kubwa ya kwanza ya lugha yenye uzito wazi kutoka Reflection AI, yenye usanifu wa sparse MoE wa parameta 501B, huku kila token ikiwezesha 23B pekee, ikisaidia muktadha wa token milioni 1 na kutumia 23.8T token katika mafunzo ya awali. Mchakato wa mafunzo wa Beam ni onyesho la kiwango cha juu sana cha uwezo wa kompyuta: mafunzo ya awali yalikamilika kwa chini ya wiki nne kwa kutumia GB300 6,144, huku uimarishaji mkubwa wa kujifunza ukifanywa kwa wiki nne kwa kutumia GB300 10,500 na zaidi ya rollout milioni 100.

Uendelezaji wa programu: Inafikia kiwango sawa na GLM-5.2 katika kazi za uhandisi wa programu, na ni modeli kuu kwa mizigo ya uandishi wa programu ya biashara.
Utekelezaji wa mawakala: Ina uwezo wa kuita zana, kutumia terminal na kutafuta kwenye wavuti, hivyo inaweza kukamilisha kazi za hatua nyingi kwa kujitegemea, hata kujifunza kuita modeli nyingine kubwa za lugha na API za OCR.
Uchakataji wa maandishi marefu: Inasaidia muktadha wa token milioni 1, na inaweza kubaini na kuhusisha taarifa muhimu kutoka kwenye hazina kubwa za msimbo na nyaraka.
Udhibiti wa nguvu ya hoja: Watumiaji wanaweza kutumia kigezo cha reasoning effort kubadilisha kwa urahisi kati ya majibu mafupi na hoja ndefu, kulingana na aina ya kazi na bajeti ya kompyuta.

Fuata akaunti ya WeChat na ujibu “开源” ili kujiunga na kundi la mawasiliano la miradi ya AI yenye chanzo wazi
Usanifu wa sparse MoE: Modeli ina jumla ya parameta 501B, lakini kila mara huwezesha 23B pekee. Uelekezaji wa wataalamu wenye granularity ndogo, pamoja na usawazishaji wa mzigo usiohusisha hasara saidizi, hufanikisha matumizi karibu sawa ya wataalamu; mzigo wa mtaalamu aliyelemewa zaidi ni 1.04× pekee, jambo linaloweka msingi wa kiwango cha vifaa kwa ufanisi wa uendeshaji wa Beam.
Mafunzo makubwa ya awamu mbili: Mafunzo ya awali yalitumia chini ya wiki nne kwenye GB300 6,144 kuchakata 23.8T token, yakisaidiwa na kipangaji kinachozingatia topolojia na utambuzi wa uharibifu wa data kimya, huku goodput ikifikia 92.3%; baadaye GB300 10.5K zilitumika kwa wiki nne za uimarishaji wa kujifunza, na kutoa zaidi ya rollout milioni 100, huku wastani wa rollout 110,000 ukiendeshwa kwa wakati mmoja na sandbox 170,000 kwa wakati mmoja.
Mfumo kamili wa RL usio na ulandanishi: Unatumia asynchronous policy gradients, unaowezesha rollout na mafunzo kuendeshwa kwa pamoja. Kila token huwekewa alama ya toleo la modeli iliyoiunda ili kushughulikia uchakavu wa sera; hata sampuli inapokuwa nyuma ya sera ya sasa kwa siku moja (matoleo 107), thamani za namba hubaki thabiti. Uzito mpya husambazwa kwa tabaka kupitia RoCE hadi kwenye klasta za uendeshaji kwa muda wa wastani wa sekunde 12 pekee.
Mafunzo ya hoja yenye urefu unaodhibitika: Adhabu ya urefu huongezwa katika RL ili modeli ijifunze kwanza kutatua matatizo kwa kutumia token chache, kisha ipanue urefu wa hoja kwa kawaida baada ya uwezo wa agentic kuimarishwa. Hivyo huunda uwiano bora kati ya uwezo na matumizi ya token, ambao mtumiaji anaweza kuurekebisha kulingana na mahitaji.

Kwa sasa uzito wa modeli haujatolewa, na toleo la hakikisho linapatikana kwa baadhi ya watumiaji pekee. Tembelea https://platform.reflection.ai/ kutuma ombi la matumizi ya mapema.

Ufanisi wa hoja ni wa juu sana: Inafikia kiwango sawa cha hoja na GLM-5.2 kwa kutumia uwezo wa kompyuta wa hoja ulio chini mara 3–4, na inaokoa zaidi kuliko modeli za 2T+ kama Qwen 3.8-Max, ikiwa na msongamano bora wa akili.
Parameta zilizoamilishwa ni chache sana: Kati ya parameta 501B kwa jumla, kila token huwezesha 23B pekee, huku usanifu wa sparse MoE ukipunguza kwa kiasi kikubwa gharama za uwekaji na uendeshaji.
Kiwango cha RL ni adimu katika sekta: GB300 10.5K zilitumika kwa wiki nne mfululizo na zaidi ya rollout milioni 100, ikiwa ni mojawapo ya mafunzo makubwa zaidi ya RL kuwahi kufanywa na maabara zilizo wazi.
Uthabiti mkubwa wa mafunzo: Katika mafunzo yote ya awali, kulikuwa na urejeshaji wa nusu-otomatiki mara 9 pekee, goodput ikafikia 92.3%, bila kuyumba kwa mkondo wa mafunzo, jambo linaloonyesha ukomavu wa juu sana wa uhandisi.
Urefu wa hoja unadhibitika: Watumiaji wanaweza kurekebisha kwa uhuru kina cha hoja kupitia kigezo cha reasoning effort, na kusawazisha utendaji na gharama kulingana na mahitaji.

Tovuti rasmi ya mradi: https://reflection.ai/blog/introducing-beam

Msaidizi wa uandishi wa programu wa ndani ya biashara: Biashara zinaweza kujenga msaidizi wa AI wa uandishi wa programu kwa kujihudumia kikamilifu, kwa gharama ndogo na bila data kutoka kwenye mtandao wao wa ndani.
Urekebishaji na ukaguzi wa hazina nzima ya msimbo: Kwa kutumia dirisha la muktadha lenye token milioni 1, Beam inaweza kupakia hazina nzima ya msimbo wa ukubwa wa kati kwa mara moja, kuelewa utegemezi kati ya faili na kutekeleza urekebishaji mkubwa au ukaguzi wa usalama.
Mtiririko wa kazi wa mawakala wa kiotomatiki: Beam imejifunza kupitia mafunzo ya RL yenye zaidi ya rollout milioni 100 uwezo wa kuita zana, kutumia terminal na kutafuta kwenye wavuti, hivyo inaweza kuendesha kazi za hatua nyingi zenye mlolongo mrefu kama uchanganuzi wa data na ukaguzi wa uendeshaji na matengenezo.
Uwekaji wa AI huru kwa serikali na biashara: Kama modeli yenye uzito wazi iliyotengenezwa na timu ya Marekani, Beam inaweza kukaguliwa na kuwekwa katika mazingira yaliyotengwa, ikidhi mahitaji ya ununuzi unaozingatia uzingatiaji wa serikali, nishati na sekta ya kijeshi kwa modeli zisizotegemea mnyororo wa usambazaji wa China.