معرفی Beam: مدل ۵۰۱ میلیارد پارامتری Reflection؛ رقیب کارآمد برای مدل‌های مطرح

Reflection مدل متن‌باز Beam را معرفی کرده؛ مدلی با معماری Mixture of Experts (MoE) که در مجموع ۵۰۱ میلیارد پارامتر دارد، اما در هر استنتاج فقط ۲۳ میلیارد پارامتر آن فعال می‌شوند. هدف اصلی، رسیدن به عملکرد قدرتمند در کدنویسی و استدلال با هزینه استنتاج پایین‌تر است؛ به‌گفته سازنده، Beam می‌تواند در برخی بنچ‌مارک‌های استدلال به سطح مدل‌های مطرح برسد، ولی به محاسبات کمتری نیاز دارد.

مدلی برای کدنویسی و استدلال کارآمد

تمرکز Beam روی کدنویسی، استدلال و وظایف عامل‌محور (Agentic) است. طبق گزارش Reflection، این مدل در بنچ‌مارک‌های استدلال پیشرفته عملکردی هم‌تراز با GLM-5.2 از Z.ai (با ۷۴۴ میلیارد پارامتر) نشان داده، در حالی که ۳ تا ۴ برابر محاسبات کمتری برای استنتاج مصرف می‌کند. این ادعا هنوز به‌صورت مستقل تایید نشده است. در مقایسه با مدل‌های بسیار بزرگ مانند Qwen 3.8-Max از خانواده ۲ تریلیون پارامتری، صرفه‌جویی محاسباتی گزارش‌شده بیشتر هم می‌شود.

کلید کارایی: معماری MoE و آموزش با تمرکز بر کاهش مصرف توکن. Beam با یک جریمه طول کنترل‌پذیر آموزش دیده تا مدل را به حل موفقیت‌آمیز وظایف تشویق کند و در عین حال تولید توکن‌های غیرضروری را کاهش دهد. کاربر می‌تواند با تنظیم پارامتر «میزان تلاش استدلالی» (reasoning effort)، بین طول پاسخ و کیفیت خروجی تعادل برقرار کند.

آموزش عظیم با یادگیری تقویتی در مقیاس بزرگ

بخش جاه‌طلبانه Beam سرمایه‌گذاری سنگین روی یادگیری تقویتی با محاسبات بالا (High-Compute RL) است؛ رویکردی که Reflection آن را عامل مهمی برای مقیاس‌پذیری قابلیت‌ها می‌داند.

مقیاس عملیات: برای این مرحله از ۱۰,۵۰۰ کارت گرافیک NVIDIA GB300 به مدت چهار هفته استفاده شد. نتیجه کار، تولید بیش از ۱۰۰ میلیون rollout با حداکثر طول متن ۲۵۶ هزار توکن و اجرای آموزش/ارزیابی روی حدود ۱.۳ میلیارد سندباکس بود. به گفته Reflection، این یکی از بزرگ‌ترین دوره‌های آموزش RL است که تاکنون توسط یک تیم متن‌باز انجام شده است.

چالش‌های فنی: در این مقیاس، چالش‌هایی مانند کهنگی خط‌مشی (Policy Staleness) — به‌دلیل تولید توکن توسط چک‌پوینت‌های متفاوت در طول یک rollout طولانی — و عدم‌تطابق عددی بین موتورهای آموزش و استنتاج، می‌تواند به بی‌ثباتی منجر شود. تیم Reflection برای حفظ پایداری در این شرایط، الگوریتم‌های جدیدی توسعه داده است.

زیرساخت‌های مرزی برای آموزش پایدار

دستیابی به این مقیاس بدون زیرساخت‌های سفارشی و قدرتمند ممکن نبود. Reflection بخش عمده پشته نرم‌افزاری خود را درون‌سازمانی توسعه داده است.

پیش‌آموزش (Pretraining): مدل پایه Beam روی ۲۳.۸ تریلیون توکن از داده‌های وب باکیفیت، منابع عمومی و مجموعه‌های داده اختصاصی آموزش دید. خط لوله داده طوری طراحی شده که حدود ۹۵٪ از توکن‌های خام اینترنت را حذف کند و در عین حال حدود ۱.۸ تریلیون توکن باکیفیت — که در غربال‌های متعارف دور ریخته می‌شوند — را حفظ کند. پیش‌آموزش در کمتر از چهار هفته روی خوشه‌ای با ۶,۱۴۴ کارت گرافیک NVIDIA GB300 تکمیل شد.

مدیریت منابع: در آموزش RL، پلتفرم Reflection به‌طور میانگین ۱۱۰ هزار rollout هم‌زمان را مدیریت می‌کرد. این پلتفرم امکان تخصیص پویا بین استنتاج و آموزش، انتشار سریع وزن‌های جدید در ناوگان استنتاج (میانه حدود ۱۲ ثانیه) و بازیابی از ۷۱ حادثه استنتاج بدون توقف آموزش را فراهم کرد.

رقبا و جایگاه بازار

Reflection Beam را در برابر مجموعه‌ای از بازیگران مطرح قرار داده است. این مدل با سرویس‌های بسته OpenAI و Anthropic و همچنین مدل‌های متن‌باز از سوی Meta و Mistral رقابت می‌کند. در میان مدل‌های هم‌رده، Reflection به‌طور خاص به GLM-5.2، DeepSeek و Qwen اشاره می‌کند. نزدیک‌ترین رقیب مستقیم در آمریکا، مدل Inkling از آزمایشگاه Thinking Machines است که در جولای منتشر شد. بنچ‌مارک‌های داخلی Reflection نشان می‌دهد Beam در چهار تست کدنویسی از Inkling پیشی می‌گیرد، هرچند Inkling یک مدل چندوجهی است و Beam فعلا فقط متنی است.

از نظر بازار، تمرکز روی شرکت‌ها و سازمان‌های بزرگ است. محصول کلیدی آینده Reflection مفهومی به نام «کارخانه‌های هوش مصنوعی» (AI Factories) است که به نهادها اجازه می‌دهد با آموزش مدل‌های Reflection روی داده‌های اختصاصی خود، سیستم‌های هوش مصنوعی سفارشی و محلی بسازند. جنسن هوانگ، مدیرعامل NVIDIA — از حامیان Reflection — مدت‌ها از این ایده حمایت کرده است.

ایمنی، هم‌ترازی و دسترسی آینده

رویکرد ایمنی: Reflection برای آموزش جنبه‌های ایمنی و هم‌ترازی (Alignment) Beam، از خط لوله جداگانه SFT و RL روی داده‌های خاص استفاده کرده است. اصول در سه لایه تعریف شده‌اند: قوانین غیرقابل‌شکنش، کیفیت‌های مطلوب (مثل دقت و شفافیت) و سبک تعامل پیش‌فرض. این شرکت اعلام کرده نتایج ارزیابی‌های ایمنی و ابزارهای مربوط را به‌صورت متن‌باز منتشر می‌کند.

انتشار عمومی: Reflection گفته وزن‌های مدل را تحت مجوز Apache 2.0 در همین ماه منتشر می‌کند. همراه با آن، گزارش فنی، کارت مدل و مستندات کامل برای اجرا، ارزیابی و فاین‌تیونینگ در دسترس خواهد بود. از ابتدا، یکپارچگی با توزیع‌کنندگان و کتابخانه‌های متن‌باز نیز فراهم می‌شود.

Beam نخستین مدل از مجموعه برنامه‌ریزی‌شده Reflection است. این استارتاپ که در سال ۲۰۲۴ توسط دو پژوهشگر سابق Google DeepMind تاسیس شده، تاکنون حدود ۴.۷ میلیارد دلار سرمایه جذب کرده و در آخرین دور سرمایه‌گذاری، ارزش آن پیش از تزریق سرمایه ۲۵ میلیارد دلار برآورد شده است. برای تضمین دسترسی به سخت‌افزار، Reflection قراردادهایی در مجموع بیش از ۷ میلیارد دلار با SpaceX و Nebius برای دسترسی به تراشه‌های GB300 NVIDIA تا سال ۲۰۲۹ امضا کرده است.