Reflection Beam: otwarty model 501B od byłych ludzi DeepMind
Reflection AI pokazał Beam: 501 mld parametrów, 23 mld aktywnych, Apache 2.0. Liczby z ogłoszenia, porównanie z chińskimi modelami i dlaczego nie ma jeszcze testu.

Spis treści 9
👁 158 przeczytań
Reflection AI, amerykański startup założony przez dwóch byłych badaczy Google DeepMind, 5 października 2026 pokazał Beam - swój pierwszy model z otwartymi wagami. To mixture-of-experts z 501 mld parametrów, z których przy każdym tokenie pracuje 23 mld, trenowany na 23,8 bln tokenów, z oknem kontekstu 1 mln tokenów i licencją Apache 2.0. Wagi mają wyjść jeszcze w październiku. Sprawdziłem, co dokładnie wiadomo, gdzie są liczby, a gdzie tylko zapowiedzi.
Stan na 7 października 2026
- Model: Beam, 501 mld parametrów, 23 mld aktywnych, tylko tekst.
- Licencja: Apache 2.0, czyli także do użytku komercyjnego.
- Wagi: zapowiedziane na „później w październiku”, dokładnej daty nie podano.
- Dostęp dziś: tylko wczesny dostęp z listy oczekujących. Na OpenRouterze modelu nie ma (sprawdziłem 7.10 rano), cennika też nie ma.
- Mój test: na razie niemożliwy - opisuję niżej dlaczego i kiedy go zrobię.
Kto stoi za Beam
Reflection AI powstał w 2024 roku w Nowym Jorku. Założyli go Misha Laskin, który w Google DeepMind odpowiadał za modelowanie nagród w projekcie Gemini, i Ioannis Antonoglou, współtwórca AlphaGo. Według danych PitchBook, które przytacza TechCrunch, firma zebrała łącznie około 4,7 mld USD, a w ostatniej rundzie była wyceniona na 25 mld USD przed inwestycją. Wśród inwestorów są Nvidia, Sequoia i Lightspeed. Reflection ma też umowy na moc obliczeniową ze SpaceX i Nebius warte łącznie ponad 7 mld USD - o umowie ze SpaceX pisałem w tekście SpaceX wynajmie chipy Reflection AI.
Firma od początku mówi wprost, po co jej Beam: ma być zachodnią odpowiedzią na otwarte modele z Chin, czyli DeepSeek, Qwen, GLM i Kimi, które od ponad roku rządzą w rankingach modeli z otwartymi wagami. Dzień później podobną narrację przyjął Mistral przy premierze Mistral Large 4.
Beam w liczbach
| Parametr | Wartość | Źródło |
|---|---|---|
| Parametry łącznie | 501 mld | blog Reflection, 5.10.2026 |
| Parametry aktywne na token | 23 mld | blog Reflection |
| Architektura | rzadki mixture-of-experts, tylko tekst | blog Reflection, TechCrunch |
| Dane do pretreningu | 23,8 bln tokenów (sieć + licencjonowane zbiory) | blog Reflection, TechCrunch |
| Kontekst | 256 tys. w pretreningu, rozszerzony do 1 mln | blog Reflection |
| Pretrening | poniżej 4 tygodni na 6144 GPU NVIDIA GB300 | blog Reflection |
| Uczenie ze wzmocnieniem | 4 tygodnie na 10,5 tys. GPU GB300, ponad 100 mln przebiegów, ok. 1,3 mld piaskownic | blog Reflection |
| Licencja | Apache 2.0 | blog Reflection |
Ciekawostka z opisu danych: według Reflection ich klasyfikatory jakości wyrzuciły około 95% surowych tokenów z internetu. To dużo jak na model tej wielkości i pewnie tłumaczy, dlaczego firma tak mocno akcentuje „wydajność na token”.
Wyniki według Reflection
Poniżej liczby z tabeli w ogłoszeniu. To wyniki podane przez samą firmę, bez niezależnej weryfikacji - wag jeszcze nie ma, więc nikt z zewnątrz nie mógł ich powtórzyć.
| Test | Beam | GLM-5.3 | Kimi K3 | Qwen 3.8-Max | DeepSeek V4.1 |
|---|---|---|---|---|---|
| SWE-Bench Verified (naprawa błędów w kodzie) | 80,9 | - | - | - | - |
| Terminal Bench v2.1 (praca w terminalu) | 80,1 | 88,2 | 88,3 | 86,6 | 90,6 |
| GPQA Diamond (pytania naukowe) | 90,5 | 91,7 | 93,5 | 92,6 | 90,9 |
| HLE bez narzędzi | 36,2 | 42,3 | 46,9 | 43,6 | 39,1 |
| MCP Atlas (wywoływanie narzędzi) | 78,7 | 84,2 | 82,3 | 84,5 | - |
| LongBench v2 (długi kontekst) | 65,5 | - | - | 66,3 | - |
| IFBench (trzymanie się instrukcji) | 79,7 | - | - | 82,8 | - |
Myślnik oznacza, że Reflection nie podał wyniku konkurenta. Co z tego wynika:
- Beam nie wygrywa z czołówką chińskich modeli. W każdym teście, w którym są pełne porównania, Kimi K3, GLM-5.3 i Qwen 3.8-Max mają wyższy wynik. Reflection porównuje się głównie ze starszym GLM-5.2, z którym idzie łeb w łeb (np. GPQA 90,5 wobec 91,2).
- Główny argument to koszt, nie jakość. Firma twierdzi, że na testach rozumowania zużywa 3-4 razy mniej obliczeń niż GLM-5.2. To szacunek producenta, a nie zmierzony koszt wdrożenia.
- 23 mld aktywnych parametrów to mało. Dla porównania GLM-5.2 ma około 744 mld parametrów i 40 mld aktywnych, a Mistral Large 4 - 1,05 bln i 49 mld aktywnych. Mniej aktywnych parametrów to tańsza i szybsza odpowiedź na tym samym sprzęcie.
Czy uruchomisz Beam u siebie
Na domowym komputerze - nie. 501 mld parametrów w 16 bitach to około 1 TB samych wag, a nawet po kwantyzacji do 4 bitów zostaje około 250 GB (to mój rachunek: liczba parametrów razy pół bajta). To poziom serwera z kilkoma kartami klasy H200 albo B200, a nie karty do gier. Mój RTX 4090 ma 24 GB. To, że aktywnych jest tylko 23 mld, przyspiesza liczenie, ale wszystkie eksperci i tak muszą siedzieć w pamięci. Ile pamięci potrzeba na mniejsze modele, opisałem w tekście ile VRAM potrzeba.
Realnie Beam trafi do zwykłych użytkowników przez dostawców API: Reflection zapowiada dystrybucję przez dużych dostawców chmury i biblioteki open source. Gdy pojawi się na OpenRouterze, puszczę go przez te same 13 zadań po polsku, co wszystkie modele w Arenie modeli AI po polsku.
Nie przepłacaj za te subskrypcje
Prowadzę sklep z rocznymi dostępami do narzędzi AI - te same konta, o których piszę wyżej, tylko taniej niż w cenniku producenta.
Dlaczego nie ma jeszcze mojego testu
- Brak publicznego API. Wczesny dostęp jest z listy oczekujących, a ja nie zakładam kont tylko po to, żeby obejść kolejkę.
- Brak wag. Zapowiedziane na „później w październiku”.
- Brak modelu na OpenRouterze. Sprawdziłem pełną listę modeli 7 października rano - nie ma tam ani Reflection, ani Beam.
Uczciwie: o tym, jak Beam pisze po polsku, nie wiadomo dziś nic. Reflection w ogłoszeniu w ogóle nie wspomina o językach innych niż angielski, a model jest nastawiony na kod i agentów.
Beam na tle innych otwartych premier z października
| Model | Firma | Parametry (aktywne) | Wejście | Wagi | Licencja |
|---|---|---|---|---|---|
| Beam | Reflection AI (USA) | 501 mld (23 mld) | tekst | „później w październiku” | Apache 2.0 |
| Mistral Large 4 | Mistral AI (Francja) | 1,05 bln (49 mld) | tekst i obraz | do końca października (dziennikarzom podano 27.10) | niepotwierdzona |
| GLM-5.3 | Z.ai (Chiny) | - | tekst | dostępne | otwarta |
| Kimi K3 | Moonshot AI (Chiny) | - | tekst | dostępne | otwarta |
Dla kogo to ważne: dla firm, które chcą otwartego modelu do kodu i agentów, ale z różnych powodów nie mogą albo nie chcą używać modeli z Chin. Dla zwykłego użytkownika czatu nic się na razie nie zmienia - Beam nie ma własnej aplikacji. Chińskie modele po polsku testowałem w tekście Chińskie modele AI po polsku.
Co sprawdzę, gdy wyjdą wagi
- Czy licencja w repozytorium to rzeczywiście czyste Apache 2.0, bez dodatkowych warunków.
- Ile kosztuje u dostawców API w porównaniu z GLM-5.3 i Kimi K3.
- Jak pisze po polsku - 13 zadań z Laboratorium, ta sama ślepa ocena sędziów co u ponad 30 innych modeli.
- Czy deklarowane 3-4 razy mniej obliczeń przekłada się na mniej tokenów rozumowania w praktyce.
Aktualizacja: 17 listopada 2026
Beam trafił do tekstowej Areny po premierze wag. Przy jego rozmiarze wybór hostingu ma konsekwencje nawet w krótkim zadaniu - z jednej strony płaci się za tokeny, z drugiej za utrzymanie całego wdrożenia.
Dwa sposoby oceny
W tabeli Artificial Analysis (widok Current) konfiguracja Beam 1.0 zajmuje 38. pozycję z wynikiem 18 pkt. Odczyt pochodzi z 17 listopada. Średni koszt zadania z indeksu wyniósł 0,28 USD, a czas 2,2 min. To pomiar na zestawie zadań AA, więc nie jest wyceną pojedynczej wiadomości. Text Arena, tabela z 11 listopada: Beam 1.0 501B A23B - 109. miejsce, 1434 ± 10 pkt, 4 004 głosów.
Przy pracy na żywo patrzę również na początek odpowiedzi. W konfiguracji z tabeli AA pierwszy token odpowiedzi pojawiał się po 7,79 s. Ta miara przydaje się przy rozmowie, a czas całego zadania przy analizie pliku.
Arena odnotowała dodanie Beam do rankingu tekstowego 20 października 2026, po premierze wag.
Dla konfiguracji Beam 1.0 w danych Artificial Analysis widnieje 12,8% w HLE-Diamond i 11,6% w GDP.pdf. Każda liczba opisuje odrębny zestaw zadań. Przy wyborze do pracy nad polskim dokumentem szczególnie zależy mi na tym, czy model zachowa warunki i wyjątki obecne w źródle.
Dostęp i rozliczenie
Wersję hostowaną znajdziesz w OpenRouter jako reflection/beam-1.0-501b-a23b. Wydawca udostępnia także wagi: możesz pobrać je bez opłaty za tokeny, a koszt pamięci i czasu obliczeń ponosisz po swojej stronie.
OpenRouter podaje 0,3 USD za milion tokenów wejścia i 1 USD za milion tokenów wyjścia w taryfie podstawowej.
Pytania o model
Kto stworzył Beam 1.0 i kiedy ukazało się to wydanie? Producentem jest Reflection. AA datuje opisane wydanie na 16.10.2026.
Jakie dane przyjmuje Beam 1.0? Profil techniczny AA wymienia tekst. W opisanej konfiguracji okno kontekstu ma około 1 mln tokenów.
Poradnik użycia · Cena i API · Ranking modeli językowych
Źródła
- https://artificialanalysis.ai/models/reflection-beam (odczyt 17.11.2026)
- https://artificialanalysis.ai/leaderboards/models (odczyt 17.11.2026)
- https://arena.ai/leaderboard/chat/text (odczyt 17.11.2026)
- https://arena.ai/company/leaderboard-changelog (odczyt 17.11.2026)
- https://huggingface.co/reflection/Beam-1.0-501B-A23B (odczyt 17.11.2026)
- https://openrouter.ai/reflection/beam-1.0-501b-a23b (odczyt 17.11.2026)
- https://openrouter.ai/api/v1/models (odczyt 17.11.2026)
Źródła
- Reflection: Introducing Beam (5.10.2026) - parametry, dane, tabela wyników, licencja
- TechCrunch, 5.10.2026 - 23,8 bln tokenów, finansowanie, wycena
- SiliconANGLE, 5.10.2026
- MarkTechPost, 5.10.2026
- Lista modeli OpenRoutera (API /models), sprawdzona 7.10.2026
Sprawdziłem: 7 października 2026.
Najczęstsze pytania
Jakie parametry ma model Beam od Reflection AI?
Beam ma łącznie 501 mld parametrów, z czego przy każdym tokenie aktywnych jest 23 mld. Model trenowano na 23,8 bln tokenów, a jego okno kontekstu wynosi 1 mln tokenów.
Czy Beam można uruchomić na domowym komputerze z kartą RTX 4090?
Nie, RTX 4090 ma 24 GB VRAM, a same wagi Beam w 16 bitach zajmują ok. 1 TB, po kwantyzacji do 4 bitów wciąż ok. 250 GB. Do uruchomienia potrzebny jest serwer z kilkoma kartami klasy H200 lub B200.
Kto założył Reflection AI i skąd pochodzi ta firma?
Reflection AI założyli w 2024 roku w Nowym Jorku Misha Laskin i Ioannis Antonoglou - obaj są byłymi badaczami Google DeepMind. Laskin odpowiadał za modelowanie nagród w projekcie Gemini, a Antonoglou jest współtwórcą AlphaGo.
Czy Beam jest dostępny na OpenRouterze i kiedy można go przetestować?
Stan na 7 października 2026 - Beam nie jest dostępny na OpenRouterze ani przez publiczne API, a wagi mają wyjść dopiero później w październiku bez podania dokładnej daty. Obecnie możliwy jest wyłącznie wczesny dostęp przez listę oczekujących.
Link do Kimi jest partnerski: jeśli kupisz przez niego, serwis dostaje prowizję, a Ty płacisz tyle samo. Nie wpływa to na treść, także tam, gdzie piszę krytycznie.

Autor
Twórca i autor Promptowego, polskiego serwisu o sztucznej inteligencji. Codziennie śledzi premiery modeli, narzędzia i regulacje AI, i tłumaczy je prostym, konkretnym językiem.
Czytaj dalej
Newsy · AI nie zwalnia ludzi. Robią to firmy - i chowają się za AIOracle przyznał, że w rok zwolnił 21 tysięcy osób i wskazał AI jako jeden z powodów - ale prawdziwa historia tych cięć jest mniej wygodna.
Newsy · SpaceX wynajmie chipy Reflection AI za nawet 6,3 mld dolarówOpen source'owy startup Reflection AI zapłaci SpaceX 150 mln dolarów miesięcznie za dostęp do najnowszych chipów Nvidii w centrum danych Colossus 2.
Premium · Internet przestaje być pisany dla ludzi. Agenci AI wymuszają przebudowę chmuryAI-agenci generują ruch inaczej niż ludzie: szybko, seriami i bez tradycyjnego klikania. Chmura, wyszukiwarki i zabezpieczenia zaczynają dostosowywać...- przelomowy.plAlphaGenome 2 od DeepMind: model przewiduje, w jakich komórkach działa wariant DNA
- dygot.plChatGPT zmienia ekran. Nowa aplikacja spycha czat na drugi plan
- generatornia.plBlack Friday 2026 na narzędzia AI: ceny z cenników, z którymi porównasz rabat
- przewagi.plAutomatyzacja faktur: zacznij od obiegu i wyjątków, potem dodaj AI



