Beam, el nuevo modelo open-weight de 501.000 millones de parámetros de Reflection AI

Reflection AI ha presentado Beam, su primer modelo de pesos abiertos (open-weight), un sistema de Mixture-of-Experts disperso con 501.000 millones de parámetros totales de los que solo 23.000 millones se activan por token. La compañía lo orienta explícitamente a tareas de programación, razonamiento y flujos de trabajo agénticos, y lo presenta como un avance del "frontier" open-weight occidental, en un terreno dominado hasta ahora por modelos abiertos de laboratorios chinos como GLM, Qwen, Kimi o DeepSeek. Por ahora el modelo está en fase final de red-teaming y evaluaciones; Reflection ha abierto una lista de espera para acceso anticipado y anuncia que publicará los pesos, el informe técnico, la ficha de modelo (model card) y herramientas para desarrolladores más adelante en el mismo mes del anuncio.

En cuanto a capacidad, la propia compañía sitúa a Beam en una posición intermedia del panorama competitivo: según sus benchmarks (SWE-Bench Pro, Terminal-Bench 2.1, AIME 2026, HLE, GPQA Diamond, entre otros), el modelo es competitivo con GLM 5.2 y se acerca a Qwen 3.8-Max en tareas de programación y agentes, mientras que modelos como Kimi K3 mantienen una ventaja en capacidad bruta. El argumento central de Reflection no es ganar en todas las métricas, sino la eficiencia: aseguran que Beam iguala a GLM-5.2 en benchmarks de razonamiento avanzado usando entre 3 y 4 veces menos cómputo de inferencia, y que esa ventaja se amplía aún más frente a modelos de la familia de más de 2 billones de parámetros como Qwen 3.8-Max. Conviene matizar que estas estimaciones de cómputo (FLOPs aproximados a partir de parámetros activos y tokens generados) excluyen el prefill del prompt, la atención dependiente del contexto y la sobrecarga de servicio, por lo que son comparaciones aproximadas y no mediciones directas de coste real; además, los datos de otros modelos proceden de terceros (Artificial Analysis y DataCurve), no de pruebas independientes verificadas por el newsletter.

El gran protagonista técnico del anuncio es la escala del entrenamiento por refuerzo (RL). Reflection afirma haber desplegado 10.500 GPUs NVIDIA GB300 durante cuatro semanas para generar más de 100 millones de rollouts, con una longitud de contexto máxima de 256.000 tokens, usando aproximadamente 1.300 millones de sandboxes para entrenamiento y evaluación, y sobre un repositorio de cerca de un millón de entornos de alta calidad en programación, uso de terminal y STEM. Para dar contexto de magnitud, la compañía compara esta cifra con los 30 millones de rollouts usados para entrenar Inkling y los 753.000 de MiMo, y sostiene que las capacidades del modelo siguieron mejorando a medida que aumentaba el cómputo de RL, sin señales de estancamiento (plateau) a lo largo de toda la campaña.

A nivel algorítmico, Reflection destaca el uso de gradientes de política asíncronos a gran escala, un método que exige lidiar con la "obsolescencia" (staleness) de la política: partes de un rollout largo pueden haber sido generadas por versiones del modelo muy anteriores a la que se está entrenando en ese momento. Según la compañía, desarrollaron algoritmos propios que mantienen el entrenamiento estable incluso cuando los datos usados tienen un día de antigüedad, es decir, generados por una versión hasta 107 actualizaciones de pesos atrás. También incorporaron una penalización de longitud controlable: en las primeras fases del RL el modelo aprendió a resolver tareas con menos tokens de razonamiento, y en fases posteriores, al desarrollar capacidades agénticas más sofisticadas, las respuestas se alargaron de nuevo pero con ganancias de rendimiento asociadas. El resultado práctico es un parámetro de "esfuerzo de razonamiento" ajustable por el usuario, que permite elegir entre respuestas más cortas y baratas o un razonamiento más extenso para tareas exigentes.

Uno de los puntos más llamativos del anuncio es la generalización de comportamientos no entrenados explícitamente. Reflection afirma que, durante una fase de entrenamiento centrada en razonamiento, ingeniería de software y uso de terminal, el modelo mejoró también en tareas de navegación web (browsing) pese a que estas no formaban parte de la mezcla de RL, y que de forma espontánea aprendió a buscar y consultar a otros modelos de lenguaje, así como a usar APIs de OCR para leer documentos, pese a que Beam es un modelo exclusivamente de texto. Como demostraciones de esta generalización, la compañía muestra ejemplos como un juego 3D en p5.js de un astronauta esquivando asteroides, un panel en vivo del metro de Nueva York construido a partir de datos públicos de la MTA, y un cuaderno de fine-tuning para el modelo Gemma-4 (tarea fuera de su distribución de entrenamiento) que, según afirman, logró incrementar la precisión de Gemma en su conjunto de test reservado en un 66,5%. En un experimento de generalización geográfica (recreando un rompecabezas viral que pide identificar si cada punto de una cuadrícula de longitud/latitud es tierra o agua), Beam acertó el 95,5% de una cuadrícula de 16.200 puntos, cifra que Reflection sitúa entre el 92,5% que atribuyen a "Opus 5" y el 97,8% que atribuyen a "Fable 5" (sin detallar metodología de esas comparaciones).

El anuncio también detalla, con bastante profusión de cifras, la infraestructura construida para sostener este volumen de RL: una media de 110.000 rollouts concurrentes, una proporción de GPUs de inferencia respecto a entrenamiento que osciló entre 3,9:1 y 5,4:1, actualizaciones de pesos que llegaban a la flota de inferencia en una mediana de unos 12 segundos gracias a una distribución jerárquica (que según Reflection redujo el tráfico entre racks en un 75% y aceleró la adopción de nuevas versiones 2,2 veces), capacidad para hasta 170.000 sandboxes concurrentes y más de mil millones de solicitudes de creación de sandboxes procesadas en más de 20 clústeres, dos nubes y cuatro regiones. La compañía también reporta haber gestionado 71 incidentes de inferencia sin detener el entrenamiento, con una recuperación mediana de ocho minutos y una pérdida de capacidad de apenas el 0,02% del tiempo total de GPU-minutos de servicio, además de un empaquetado dinámico que mantuvo los lotes de entrenamiento llenos al 99,99% de media.

En el terreno del preentrenamiento, Beam se entrenó sobre 23,8 billones de tokens diversos y curados, combinando datos web, fuentes públicas y conjuntos de datos propietarios con licencia. Reflection describe un proceso de curación agresivo: cerca del 95% de los tokens brutos de internet se descartan por deduplicación y filtrado de calidad, pero afirman haber identificado y conservado aproximadamente 1,8 billones de tokens de alta calidad —incluido el 87% de sus tokens de código web curado— que los filtros convencionales de la industria habrían descartado, gracias a clasificadores de calidad propios para contenido web, de código y STEM, y a filtros ajustados individualmente por lenguaje de programación. También construyeron una canalización de alto rendimiento para procesar documentos PDF mediante un modelo de OCR con visión-lenguaje, pensada para dotar al modelo de conocimiento técnico y científico amplio. A nivel arquitectónico, el modelo combina atención local y global intercalada, enrutamiento de expertos de grano fino, balanceo de carga sin pérdida auxiliar (basado en trabajo previo de DeepSeek-AI) con decaimiento coseno de los sesgos de enrutamiento, y varias técnicas para mantener estable el flujo de la señal a través de las 52 capas del modelo, lo que según Reflection se traduce en una utilización casi perfectamente uniforme de los expertos (el más utilizado alcanza apenas 1,04 veces la carga media).

En conjunto, el anuncio de Beam es, sobre todo, una declaración de intenciones técnica y una demostración de infraestructura: un laboratorio relativamente nuevo en el terreno open-weight reivindicando que puede competir, en eficiencia si no siempre en capacidad bruta, con los grandes modelos abiertos chinos, apoyándose en una inversión masiva en RL asíncrono a gran escala. Es importante tener presente que todas las cifras de rendimiento, eficiencia e infraestructura proceden del propio comunicado de Reflection AI, con comparaciones basadas en benchmarks internos y datos de terceros citados por la compañía, sin que a la fecha del anuncio existan pesos públicos, informe técnico ni ficha de modelo verificables de forma independiente: esa validación externa llegará, según la propia empresa, cuando se publiquen los artefactos completos más adelante en el mes.