فهرست مطالب
شرکت Reflection AI وزنهای مدل Beam را ۲۴ مهر ۱۴۰۵ (۱۶ اکتبر ۲۰۲۶) با لایسنس Apache 2.0 در هاگینگفیس منتشر کرد؛ یک مدل متنبازِ ترکیب کارشناسان با ۵۰۱ میلیارد پارامتر که برای کدنویسی و ایجنتهای هوش مصنوعی ساخته شده و به گفتهٔ شرکت، با کسری از هزینهٔ استنتاج رقیبها، کارایی نزدیک به بزرگترین مدلهای متنباز جهان را میدهد.
این خبر فقط «یک مدل تازه» نیست؛ رفلکشن همراه وزنها کل پشته را باز کرده: ابزار عامل ترمینال، پایپلاینهای تنظیم دقیق و بیش از ۴۰ شریک استقرار. در ادامه میگوییم Beam چیست، «متنباز» در اینجا چه معنایی دارد، بنچمارکها را چطور بخوانی و اگر توسعهدهنده یا کاربر فارسیزبان هستی، این خبر برای تو چه معنایی دارد.
پاسخ کوتاه
وزنهای Beam، اولین مدل شرکت آمریکایی Reflection AI، از ۱۶ اکتبر با لایسنس Apache 2.0 در هاگینگفیس قابل دانلود است؛ یعنی استفادهٔ تجاری، بازتوزیع و تغییر آن آزاد است.
یک مدل ترکیب کارشناسان (MoE) با ۵۰۱ میلیارد پارامتر کل و فقط ۲۳ میلیارد پارامتر فعال در هر توکن؛ یعنی در عمل سبکتر از چیزی که عدد ۵۰۱ میلیارد القا میکند.
به گفتهٔ رفلکشن، روی ۲۳.۸ تریلیون توکن پیشآموزش دیده و بزرگترین اجرای یادگیری تقویتیِ یک آزمایشگاه باز را پشت سر گذاشته: بیش از ۱۰۰ میلیون تمرین روی ۱۰ هزار و ۵۰۰ گرافیک GB300 انویدیا در چهار هفته.
همهٔ بنچمارکها گزارش خود شرکتاند و آزمون مستقلی هنوز نیست: در کدنویسی با GLM-5.2 همتراز و از Nemotron 3 Ultra انویدیا جلوتر، اما در سختترین وظایف عاملی از Kimi K3 و DeepSeek V4.1 Flash عقبتر.
برای خوانندهٔ فارسیزبان: اگر توسعهدهندهای، از همین امروز میتوانی از طریق Ollama یا LM Studio آن را محلی امتحان کنی؛ اگر کاربر عادی هستی، تأثیر مستقیمش را ماههای آینده در ابزارهایی که از این مدل استفاده میکنند میبینی.
اول زمینه: «متنباز» در مدل هوش مصنوعی یعنی چه؟
وقتی میگوییم وزنهای یک مدل «متنباز» شده، یعنی فایلهای عددیِ یادگرفتهشده (یعنی وزنها) در دسترس همه قرار گرفته و هر کسی میتواند مدل را دانلود، اجرا، تغییر و حتی در محصول تجاری بفروشد. نکتهٔ ظریف: «متنباز» در دنیای مدلها معمولاً یعنی فقط وزنها باز شدهاند، نه دادههای آموزشی. رفلکشن هم دادههای آموزشی Beam را منتشر نکرده؛ آنچه بیرون آمده وزنها، کارت مدل، گزارش ایمنی و ابزارهای توسعهدهنده است.
چرا لایسنس Apache 2.0 مهم است؟
لایسنسها تعیین میکنند با وزنها چه کار میتوانی بکنی. Apache 2.0 یکی از آزادترینهاست: استفادهٔ تجاری، بازتوزیع و تغییر را بدون سقف کاربر یا درآمد مجاز میکند. بعضی رقیبها مثل Kimi K3 از لایسنس اختصاصی با قیدهای انتساب استفاده میکنند؛ پس انتخاب Apache 2.0 یعنی رفلکشن عمداً میخواهد هیچ مانع حقوقی سر راه توسعهدهندهها نباشد.
متنباز بودن، رایگان بودن نیست
دانلود وزنها رایگان است، اما اجرای یک مدل ۵۰۱ میلیارد پارامتری روی سرور هزینه دارد. رفلکشن برای همین نسخههای فشردهشده (یعنی کوانتیزهشده با دقتهای FP8 و NVFP4) را هم منتشر کرده تا نیاز حافظه کمتر شود، و یک مدل کوچکترِ «پیشنویس» برای شتابدهی با روش speculative decoding گذاشته. اگر تازهکار هستی، فعلاً دنبال دانلود مستقیم نرو؛ راههای آمادهٔ اجرا را در بخش دسترسی میگوییم.
Beam چیست و امروز چه اتفاقی افتاد؟
رفلکشن یک استارتاپ آمریکایی است که دو پژوهشگر سابق گوگل دیپمایند آن را بنیان گذاشتهاند و از حمایت انویدیا برخوردار است. این شرکت Beam را ۱۳ مهر (۵ اکتبر) بهصورت پیشنمایش معرفی کرد — آن زمان فقط بتای محدود با لیست انتظار بود — و امروز وعدهٔ «انتشار وزنها همین ماه» را عملی کرد.
همراه وزنها سه چیز مهم دیگر هم آمد: کارت مدل با بنچمارکهای نهایی، گزارش فنی ایمنی (Beam Safety Technical Report) و بتای عمومی API اختصاصی شرکت به نشانی platform.reflection.ai که به گفتهٔ خودشان شروع کار با آن رایگان است.
یک حاشیهٔ خبری هم هست که با احتیاط بخوان: فایننشال تایمز ۱۸ مهر گزارش داد انویدیا در حال مذاکره برای خرید رفلکشن یا سرمایهگذاری بیشتر است. این گزارش تأییدنشده است؛ پس آن را شایعه بدان، نه واقعیت.
معماری Beam: ۵۰۱ میلیارد پارامتر یعنی چه؟
عدد ۵۰۱ میلیارد اول از همه چشم را میگیرد، اما عدد مهمتر، ۲۳ میلیارد است. برای اینکه بفهمی چرا، باید بدانی این مدل از چه معماریای استفاده میکند.
ترکیب کارشناسان به زبان ساده
معماری Beam از نوع «ترکیب کارشناسان» است؛ یعنی Mixture-of-Experts یا بهاختصار MoE. مثل بیمارستانی با صدها متخصص: برای هر بیمار فقط چند متخصصِ مرتبط صدا زده میشوند، نه همه. در این مدل هم برای هر توکن (یعنی هر تکهٔ کوچک متن)، فقط بخشی از ۵۰۱ میلیارد پارامتر فعال میشود.
چرا ۲۳ میلیارد «فعال» مهمتر از ۵۰۱ میلیارد «کل» است؟
در هر لحظه فقط ۲۳ میلیارد پارامتر کار میکند؛ یعنی هزینهٔ محاسبه و سرعت پاسخ بیشتر به این عدد بستگی دارد تا به ۵۰۱ میلیارد. برای مقیاس: مدلی که دانشِ یک غول ۵۰۰ میلیاردی را دارد، ولی با بودجهٔ محاسباتیِ یک مدل متوسط جواب میدهد. رفلکشن هم دقیقاً روی همین نکته دست گذاشته: مزیت Beam «کارایی» است، نه رکورد قدرت خام.
پنجرهٔ زمینهٔ یک میلیون توکن یعنی چه؟
پنجرهٔ زمینه (یعنی context window) را میشود ظرفیت خواندن مدل در یک لحظه دانست. یک میلیون توکن یعنی حدود ۷۵۰ هزار کلمهٔ انگلیسی؛ معادل چند رمان قطور یا یک مخزن کد کامل که مدل میتواند یکجا بخواند و بعد دربارهاش حرف بزند. اگر با کد سر و کار داری، این یعنی میتوانی یک پروژهٔ کامل را به مدل بدهی و از او بخواهی باگش را پیدا کند، بدون اینکه تکهتکهاش کنی.
چطور آموزش دیده؟ مقیاس باورنکردنی یادگیری تقویتی
آموزش Beam دو فاز بزرگ داشته. اول، پیشآموزش روی ۲۳.۸ تریلیون توکن از وب، منابع عمومی و مجموعهدادههای دارای لایسنس؛ رفلکشن میگوید روی تقریباً همهٔ کدها و مستندات کدی که در وب با لایسنس آزاد در دسترس بوده، آموزش دیده است.
فاز دوم، یادگیری تقویتی (یعنی RL) در مقیاس عجیب است: بیش از ۱۰۰ میلیون «رولاوت» (یعنی تلاشهای تمرینی مدل در محیطهای شبیهسازیشده) روی ۱۰ هزار و ۵۰۰ گرافیک GB300 انویدیا در چهار هفته. در اوج، ۸۸۳ هزار واحد پردازشی مجازی روی ۲۳ خوشه در دو ابر گوگل و آمازون همزمان کار میکردند و در کل حدود ۱.۳ میلیارد محیط آزمایشی (یعنی سندباکس) ساخته شد. خود شرکت میگوید این یکی از بزرگترین اجراهای RL در میان آزمایشگاههای باز تا امروز است.
چرا این مقیاس برای ایجنت مهم است؟
یادگیری تقویتیِ طولانی به مدل یاد میدهد مسئلههای چندمرحلهای را حل کند: کدی بنویسد، اجرایش کند، خطا بگیرد و اصلاحش کند. رفلکشن حتی یک «جریمهٔ طول» (یعنی length penalty) قابل تنظیم گذاشته که مدل را تشویق میکند با توکن کمتر به جواب درست برسد. نتیجهاش یک پارامتر «تلاش استدلال» است: کمتر، یعنی جواب کوتاهتر و ارزانتر؛ بیشتر، یعنی تفکر عمیقتر برای مسئلههای سخت.
بنچمارکها: Beam کجای جدول ایستاده؟
قبل از جدول، یک هشدار صداقت: همهٔ اعداد زیر را خود رفلکشن گزارش کرده و امتیاز رقیبها را هم خودش از منابع Artificial Analysis و DataCurve برداشته است. آزمون مستقلِ شخص ثالث هنوز منتشر نشده، چون وزنها چند ساعت است که بیرون آمدهاند. جدول را پس با همین چشم بخوان:
بنچمارک (چه چیزی را میسنجد) | Beam | بهترین رقیب متنباز در جدول رفلکشن |
|---|---|---|
SWE-bench Verified (حل باگهای واقعی نرمافزار) | ۸۰.۹٪ | ۷۰.۷٪ برای Nemotron 3 Ultra انویدیا |
Terminal-Bench 2.1 (کار در محیط خط فرمان) | ۸۰.۱٪ | ۹۰.۶٪ برای DeepSeek V4.1 Flash |
GPQA Diamond (استدلال علمی سطح تحصیلات تکمیلی) | ۹۰.۵٪ | — (در جدول رفلکشن رقیبی ثبت نشده) |
AIME 2026 (مسابقهٔ ریاضی) | ۹۷.۸٪ | — (در جدول رفلکشن رقیبی ثبت نشده) |
MCP Atlas (کار با ابزارهای واقعی از طریق MCP) | ۷۸.۷٪ | — (در جدول رفلکشن رقیبی ثبت نشده) |
SWE Bench Pro نسخهٔ سخت (کدنویسی پیشرفته) | ۷۷.۲٪ | ۸۸.۲٪ برای Kimi K3 |
جدول را اینطور بخوان: Beam در بنچمارکهای کدنویسیِ استاندارد، از مدل متنباز انویدیا (نموترون ۳ اولترا) جلوتر است و با GLM-5.2 همتراز؛ اما در سختترین آزمونهای عاملی، Kimi K3 و DeepSeek V4.1 Flash فاصلهٔ محسوسی دارند. خود رفلکشن هم همین را میگوید و ادعای «قویترین» ندارد.
نقاط قوت: کدنویسی واقعی و ریاضی
نمرهٔ ۸۰.۹ در SWE-bench Verified یعنی از هر ۱۰ باگ واقعی نرمافزار، حدود ۸ تایش را حل میکند؛ دقیقاً همان سناریویی که یک توسعهدهنده هر روز با آن طرف است. نمرهٔ ۹۷.۸ در AIME هم نشان میدهد استدلال ریاضیاش در سطح مسابقهای است.
جاهای خالی جدول: کجا عقب است؟
در Terminal-Bench با ۸۰.۱ در برابر ۹۰.۶ دیپسیک، و در نسخهٔ سخت SWE Bench Pro با ۷۷.۲ در برابر ۸۸.۲ کیمی، Beam عقب است — همان وظایفی که به «عامل بودن» نزدیکترند: نشستن پشت ترمینال و چند مرحله کار کردن. پس اگر کارت اتوماسیون سنگین ترمینالی است، فعلاً رقیبهای چینیِ متنباز جلوترند؛ دستکم روی کاغذ و تا وقتی آزمون مستقلی نیامده.
مزیت واقعی: کارایی بهازای هر توکن
جالبترین بخش موضعگیری رفلکشن، صداقتش است. شرکت در وبلاگ رسمیاش نوشته Beam «مرز متنباز غربی را جلو میبرد»، با مدلهای بزرگتری مثل GLM-5.2 رقابت میکند و به Qwen 3.8-Max نزدیک میشود؛ اما صریحاً میگوید در قدرت خام، مدلهایی مثل Kimi K3 جلوترند. استدلال رفلکشن این است: Beam با ۳ تا ۴ برابر محاسبهٔ کمتر در زمان استنتاج، به سطح GLM-5.2 میرسد.
این یعنی چه برای تو؟ اگر تیمی هستی که میخواهد ایجنت کدنویسی را در مقیاس بالا اجرا کند، هزینهٔ هر یک میلیون توکن مهمتر از یکی دو درصد اختلاف بنچمارک است. مدلی که «بهاندازهٔ کافی خوب» باشد ولی چند برابر ارزانتر اجرا شود، در دنیای واقعی برنده است.
«سیستمعامل متنباز برای ایجنتها» یعنی چه؟
رفلکشن عرضهٔ امروز را «اکوسیستمی از بیش از ۴۰ شریک و یکپارچهسازی» توصیف کرده و از عبارت «سیستمعامل متنباز برای ایجنتها» استفاده کرده: مدل بهمثابهٔ هسته، و روی آن یکپارچهسازیهای مرجع عاملی، کانتینرهای استقرار و پایپلاینهای سفارشیسازی. به زبان ساده: فقط یک فایل وزن بیرون ندادهاند؛ کل زنجیرهای که توسعهدهنده برای بردن مدل به محصول نیاز دارد، آماده کردهاند.
از همان روز اول، پشتیبانی در ابزارهای آشنای اکوسیستم متنباز هست: Transformers هاگینگفیس، vLLM، SGLang، Unsloth، Axolotl، TokenSpeed و Dynamo انویدیا. برای تنظیم دقیق هم با انویدیا، هاگینگفیس و Anyscale همکاری شده و «رسیپیهای خودتقلیط» در راهاند — ادامهٔ همان موجی که با متنباز شدن کامل پلتفرم Run:ai انویدیا دیده بودیم.
کجا میتوانی امتحانش کنی؟
سه راه داری: دانلود وزنها از هاگینگفیس و اجرای محلی، بتای عمومی API خود رفلکشن (شروع رایگان اعلام شده)، یا پلتفرمهای آماده — از AWS و گوگل کلاد و آژور تا Ollama و LM Studio برای کامپیوتر خودت و Baseten و Together AI برای API. برای محیطهای حساس و ایزوله هم Dell و HPE استقرار پشت فایروال را بر عهده گرفتهاند. اگر تازهکار هستی، Ollama یا LM Studio سادهترین شروعاند چون از روز اول پشتیبانی میشوند.
Mirror CLI: هارنس ایجنت ترمینال که متنباز شد
شاید جذابترین بخش بستهٔ امروز برای توسعهدهندهها، Mirror CLI باشد: یک «هارنس» ایجنت ترمینال (یعنی چارچوبی که مدل را به عاملِ کار در ترمینال تبدیل میکند) که رفلکشن آن را هم متنباز کرده؛ فرانتاند پایتون برای پرامپتها و ابزارها، و هستهٔ عامل به زبان راست (Rust) که مدل را هدایت میکند.
قابلیتهایش همان چیزهایی است که از یک ایجنت کدنویسی مدرن انتظار داری: مکالمههای قابل ازسرگیری، چند ایجنت موازی در worktreeهای جدا، دستورالعملهای پروژه، اتصال MCP و افزونههای پایتون. رفلکشن میگوید اول این ابزار را برای تیم مهندسی خودش ساخته — با یکپارچهسازی اسلک، لینیر و گیتهاب — و بعد بازش کرده. به گفتهٔ شرکت، Beam با ابزارهای مشابهی مثل Pi، OpenCode و Hermes هم تست شده؛ از خواندن مخزن و ویرایش فایل تا اجرای دستور.
اگر آموزش ساخت ایجنت محلی با OpenClaw را خوانده باشی، Mirror CLI را میشود نسخهٔ «سازمانیتر» همان ایده دانست: عاملی که در ترمینال تو زندگی میکند، نه در مرورگر.
دسترسی، فرمتها و قیمت
وزنها در سه دقت منتشر شدهاند: BF16 (کیفیت کامل، حافظهٔ بیشتر)، FP8 و NVFP4 (فشردهتر، حافظهٔ کمتر). انتخاب دقت، همان معاملهٔ همیشگی است: حافظه کمتر در برابر افت جزئی کیفیت. جدول زیر راههای دسترسی را خلاصه میکند:
روش دسترسی | برای چه کسی | هزینه (طبق اعلام منابع) |
|---|---|---|
دانلود وزنها از هاگینگفیس | کسی که GPU/سرور خودش را دارد | لایسنس رایگان (Apache 2.0)؛ هزینهٔ سختافزار با توست |
بتای عمومی API رفلکشن | توسعهدهندهای که نمیخواهد سرور بچرخاند | شروع رایگان اعلام شده؛ قیمت هر توکن هنوز اعلام نشده |
API سرویس Baseten (پشتیبانی روز اول) | تیمهای محصول | ۱.۳۰ دلار ورودی / ۴.۳۰ دلار ورودی کش / ۰.۱۳ دلار خروجی بهازای هر یک میلیون توکن |
Ollama و LM Studio | اجرای محلی روی کامپیوتر شخصی | رایگان؛ فقط سختافزار خودت |
جدول را اینطور بخوان: برای امتحان کردن، API رایگان رفلکشن یا اجرای محلی کمهزینهترین راهاند؛ برای محصول واقعی، قیمت Baseten یک معیار اولیه از هزینهٔ ابری است. توجه کن که قیمت خروجی (۰.۱۳ دلار) بهطرز چشمگیری کمتر از ورودی است — همان منطق «کارایی» که شرکت رویش تأکید دارد.
محدودیتهایی که باید بدانی
Beam فعلاً فقط متن میگیرد و متن میدهد؛ ورودی تصویر یا صدا ندارد. نسخههای چندزبانه و چندوجهی برای «اعضای بعدی خانوادهٔ مدل» وعده داده شدهاند، بدون زمانبندی مشخص. قیمت هر توکنِ API اختصاصی رفلکشن هم هنوز اعلام نشده. اینها را گفتم که با چشم باز تصمیم بگیری، نه با هیجان خبر امروز.
برای خوانندهٔ فارسیزبان این خبر چه معنایی دارد؟
اول، واقعبینی: Beam امروز یک مدل انگلیسیمحور و متنی است و پشتیبانی چندزبانهاش به آینده موکول شده؛ پس اگر دنبال دستیار فارسیزبان آمادهای، این خبر مستقیماً چیزی برایت ندارد.
دوم، دسترسی: دانلود وزنها از هاگینگفیس به وضعیت اینترنت و سیاستهای دسترسی بستگی دارد و APIهای تجاری خارجی معمولاً روش پرداخت بینالمللی میخواهند؛ این را بیطرفانه میگویم چون شرایط سرویسها مدام عوض میشود. اجرای محلی با Ollama یا LM Studio از این نظر سادهترین مسیر است: یکبار دانلود، بعد بدون وابستگی به سرویس خارجی.
اگر توسعهدهندهٔ بکاند یا DevOps هستی: نسخههای FP8/NVFP4 و پشتیبانی روز اول vLLM یعنی میتوانی با هزینهٔ معقول، ایجنت کدنویسی خودت را بالا بیاوری.
اگر با ایجنتهای محلی کار میکنی: Mirror CLI را با روتر شخصی PAIR انویدیا مقایسه کن؛ هر دو ایدهٔ «هوش مصنوعی روی سختافزار خودت» را دنبال میکنند، ولی Mirror روی ترمینال و کدنویسی متمرکز است.
اگر کسبوکاری: لایسنس Apache 2.0 یعنی از نظر حقوقی مانعی برای استفادهٔ تجاری نیست؛ اما قبل از هر تصمیمی، منتظر آزمونهای مستقل هفتههای آینده بمان.
اگر فقط کنجکاوی: بتای رایگان API رفلکشن کمریسکترین راه برای لمس کردن مدل است؛ بدون اینکه سرور بخری.
چیزهایی که هنوز روشن نیست
آزمون مستقل: هیچ بنچمارک شخص ثالثی هنوز منتشر نشده؛ همهٔ اعداد بالا گزارش خود شرکتاند.
سرنوشت شرکت: گزارش فایننشال تایمز دربارهٔ مذاکرهٔ انویدیا برای خرید یا سرمایهگذاری بیشتر، تأییدنشده باقی مانده.
قیمتگذاری API اختصاصی: قیمت هر توکن بتای عمومی رفلکشن هنوز اعلام نشده.
نقشهٔ راه چندزبانه: زمان عرضهٔ نسخههای چندزبانه و چندوجهی مشخص نیست؛ وضعیت زبان فارسی فعلاً نامشخص است.
هزینهٔ واقعی اجرا: اعداد «۳ تا ۴ برابر کارایی بیشتر» ادعای شرکتاند و در سناریوی واقعی تو ممکن است فرق کنند.
جمعبندی
انتشار وزنهای Beam مهم است، نه چون قویترین مدل جهان است، بلکه چون یک مدل درجهیکِ کدنویسی را با آزادترین لایسنس ممکن، همراه با ابزارهای لازم برای استفادهٔ واقعی، در اختیار همه گذاشته. اگر توسعهدهندهای، امروز روز امتحان کردن است: از API رایگان یا اجرای محلی شروع کن. اگر کاربر عادی هستی، صبر کن؛ موج ابزارهایی که روی این وزنها ساخته میشوند چند ماه دیگر به تو میرسد. و اگر کسبوکاری، یک چشم به آزمونهای مستقل هفتههای آینده داشته باش و یک چشم به قیمت تمامشدهٔ هر یک میلیون توکن.
سؤالات پرتکرار
Beam دقیقاً چیست؟
اولین مدل شرکت Reflection AI است: یک مدل زبانی متنباز از نوع ترکیب کارشناسان با ۵۰۱ میلیارد پارامتر کل و ۲۳ میلیارد پارامتر فعال، که برای کدنویسی، استدلال و کارهای عاملی (ایجنت) طراحی شده و وزنهایش با لایسنس Apache 2.0 منتشر شده است.
آیا استفاده از Beam واقعاً رایگان است؟
دانلود و استفادهٔ تجاری از وزنها با لایسنس Apache 2.0 رایگان است، اما اجرای مدل هزینهٔ سختافزار یا API دارد. بتای عمومی API خود رفلکشن شروع رایگان اعلام شده و نسخههای فشردهشده هم هزینهٔ اجرا را کم میکنند.
برای اجرای محلی به چه سختافزاری نیاز دارم؟
به دقت وزنها بستگی دارد؛ نسخههای FP8 و NVFP4 حافظهٔ کمتری میخواهند و یک مدل پیشنویس برای شتابدهی هم همراهشان است. رفلکشن عدد دقیق حافظه را اعلام نکرده؛ اگر GPU قدرتمند نداری، از Ollama یا LM Studio با نسخههای فشرده شروع کن.
Beam از مدلهای چینی متنباز قویتر است؟
بر اساس اعداد گزارششدهٔ خود رفلکشن، در کدنویسی استاندارد با GLM-5.2 همتراز و از Nemotron 3 Ultra جلوتر است، اما در سختترین آزمونهای عاملی از Kimi K3 و DeepSeek V4.1 Flash عقبتر میماند. آزمون مستقلی هنوز نیست که این را تأیید یا رد کند.
Mirror CLI چیست و به چه دردی میخورد؟
یک ابزار متنباز خط فرمان است که Beam را به ایجنت کدنویسی داخل ترمینال تبدیل میکند: مکالمهٔ قابل ازسرگیری، چند ایجنت موازی، اتصال MCP و یکپارچهسازی با گیتهاب و اسلک. رفلکشن میگوید اول برای تیم خودش ساخته بود.
تفاوت Beam با Nemotron 3 Ultra انویدیا چیست؟
هر دو مدلهای متنباز ترکیب کارشناساناند، اما Beam با ۲۳ میلیارد پارامتر فعال سبکتر از نموترون ۳ اولترا (۵۵ میلیارد فعال) است و در SWE-bench Verified گزارششده، ۸۰.۹ در برابر ۷۰.۷ جلوتر است.
از ایران میشود از Beam استفاده کرد؟
دانلود وزنها از هاگینگفیس به وضعیت دسترسی اینترنت بستگی دارد و APIهای تجاری خارجی معمولاً روش پرداخت بینالمللی میخواهند. سادهترین مسیرِ کموابستگی، اجرای محلی با Ollama یا LM Studio است. شرایط سرویسها عوض میشود، پس قبل از هر کاری صفحهٔ رسمی همان سرویس را چک کن.
آیا Beam فارسی هم میفهمد؟
مدل فعلاً متنی و انگلیسیمحور معرفی شده و نسخههای چندزبانه برای آینده وعده داده شدهاند، بدون زمانبندی مشخص. تا آن زمان، برای کار فارسی روی خروجی قابل اتکا حساب نکن.
منابع
Reflection — معرفی Beam: مدل ۵۰۱ میلیاردی متنباز رفلکشن (۵ اکتبر ۲۰۲۶)
Unite.AI — انتشار وزنهای Beam با لایسنس Apache 2.0 (۱۶ اکتبر ۲۰۲۶)
MarkTechPost — معرفی Beam رفلکشن: مدل MoE با ۵۰۱ میلیارد پارامتر (۵ اکتبر ۲۰۲۶)
DataCamp — مدل ۵۰۱ میلیاردی متنباز Beam رفلکشن (۶ اکتبر ۲۰۲۶)
eesel.ai — مشخصات، بنچمارکها و دسترسی Beam (۸ اکتبر ۲۰۲۶)
explainx.ai — مدل متنباز Beam؛ پاسخ آمریکا به دیپسیک و کوئن (۶ اکتبر ۲۰۲۶)



