← Inteligencia artificial

NOVEDADES + GUÍA PRÁCTICA

Reflection presenta Beam: un modelo abierto de 501B parámetros para razonamiento y agentes

El ecosistema de inteligencia artificial abierto suma un nuevo actor de escala fronteriza. El laboratorio Reflection ha anunciado el lanzamiento de Beam, un modelo basado en mezcla de expertos (MoE) con 501.000 millones de parámetros totales y 23.000 millones activos por token, optimizado específicamente para tareas de programación y flujos de agentes con una ventana de contexto de un millón de tokens.

· 2 min · Redacción Punto y Polémica

Qué cambia

Beam se distribuye bajo licencia Apache 2.0 en formatos como BF16, FP8 y un punto de control NVFP4 optimizado para arquitecturas de hardware recientes. El modelo incorpora características de arquitectura híbrida de atención, un sistema de retroceso en las conexiones residuales para mantener la estabilidad a escala y un soporte nativo de día cero en librerías como Transformers, vLLM y SGLang.

Además de su capacidad de razonamiento de contexto largo, la arquitectura incluye plantillas de respuesta en el tokenizador para separar de forma estructurada el razonamiento, las respuestas y las llamadas a herramientas, evitando expresiones regulares complejas.

Por qué importa

La disponibilidad de un modelo de esta escala de manera abierta permite a equipos de desarrollo e investigación desplegar capacidades de nivel fronterizo en su propia infraestructura o nube, adaptándolo mediante técnicas como ajuste fino supervisado (SFT) con TRL o aprendizaje por refuerzo con Miles.

Para facilitar su adopción y experimentación, Reflection ha habilitado opciones de despliegue mediante proveedores de inferencia y ha anunciado un programa de incentivos con créditos en Hugging Face para proyectos destacados construidos con la herramienta.

Guía de exploración

Qué puedes hacer con esta novedad

El modelo Beam se encuentra disponible en Hugging Face en sus repositorios oficiales bajo licencias respaldadas y soporte en librerías estándar de inferencia.

  1. Explorar los repositorios oficiales de los checkpoints de Beam en Hugging Face para revisar las variantes BF16, FP8 y NVFP4.
  2. Analizar la documentación y recetas publicadas para vLLM y SGLang con el fin de evaluar la compatibilidad con el hardware disponible en el equipo.
  3. Revisar el depósito público de evaluaciones de comportamiento y trazas de ejemplo para estudiar el rendimiento del modelo en tareas de contexto largo y llamadas a herramientas.
  4. Consultar los ejemplos de código para el uso del tokenizador y la gestión de plantillas de respuesta estructurada en Transformers.

Qué deberías obtener

Identificar los formatos de checkpoints disponibles y las opciones de integración descritas en la documentación oficial para planificar su evaluación o despliegue.

Antes de empezar

Los requisitos de hardware varían según el formato elegido; por ejemplo, los puntos de control en NVFP4 requieren hardware compatible como GPUs Blackwell de NVIDIA, mientras que arquitecturas anteriores deben emplear opciones en FP8 o BF16.

Fuentes y documentación