Reflection AI publie Beam, un modèle ouvert de 501 milliards de paramètres pour le code

Reflection AI, start-up américaine fondée par des anciens de DeepMind et d'OpenAI, a mis en ligne le 16 octobre les poids complets de Beam, son premier modèle ouvert, sous licence Apache 2.0. L'annonce s'ajoute à une semaine particulièrement chargée en publications de modèles — Nemotron 3.5 chez NVIDIA, Muse Wonder chez Meta, Gemini 4 Argon chez Google — mais Beam se distingue par un positionnement resserré : le code, le raisonnement et les tâches agentiques, plutôt que l'assistant conversationnel généraliste.

Une architecture taillée pour l'efficacité

Beam est un modèle à mixture d'experts de 501 milliards de paramètres au total, dont seulement 23 milliards actifs par requête — un rapport qui permet de limiter le coût d'inférence malgré la taille globale du modèle. Il gère un contexte de 256 000 tokens, extensible à 1 million après une phase de mi-entraînement spécifique. Reflection AI revendique un gain d'efficacité en inférence de 3 à 4 fois par rapport à GLM-5.2 sur des tâches de raisonnement comparables, grâce notamment à un paramètre d'« effort de raisonnement » réglable qui permet d'arbitrer entre qualité de réponse et consommation de calcul.

Un entraînement éclair sur du matériel récent

Le pré-entraînement de Beam a été réalisé sur un cluster de 6 144 GPU NVIDIA GB300 NVL72, en moins de quatre semaines, à partir de 23,8 billions de tokens triés issus du web et de jeux de données sous licence. La phase d'apprentissage par renforcement qui a suivi a mobilisé 10 500 GPU GB300 pendant quatre semaines supplémentaires, générant plus de 100 millions de simulations (« rollouts ») sur environ un million de tâches couvrant le code, les sciences, l'usage d'outils et les scénarios agentiques — avec 1,3 milliard d'environnements d'exécution isolés (sandboxes) utilisés pour l'entraînement et l'évaluation.

Sur les benchmarks publiés par l'entreprise, Beam atteint 80,1 % sur Terminal-Bench 2.1, un test d'agents autonomes en ligne de commande, et 97,8 % sur les problèmes de l'AIME 2026. Sur GPQA Diamond, orienté sciences de niveau doctorat, le score annoncé est de 90,5 %. Ces résultats placent Beam au niveau de modèles fermés nettement plus coûteux à opérer, selon les éléments communiqués par Reflection AI — des chiffres qui restent, comme toujours avec les benchmarks fournis par l'éditeur lui-même, à confirmer par des évaluations indépendantes une fois le modèle largement testé.

Données fermées, poids ouverts : un compromis assumé

Reflection AI ouvre les poids, la documentation technique et l'ensemble de la chaîne nécessaire pour exécuter, évaluer et affiner Beam, mais garde ses données d'entraînement propriétaires fermées — un choix de plus en plus courant chez les éditeurs de modèles dits « ouverts », qui distinguent l'ouverture du poids final de la transparence sur sa fabrication. Les poids sont disponibles sur Hugging Face, avec une version compressée au format NVFP4 pesant 273 Gio, et un accès anticipé via une API propre sur la plateforme de l'entreprise.

Ce positionnement rapproche Reflection AI d'un mouvement plus large où des acteurs américains et chinois publient des modèles ouverts puissants pour peser sur l'écosystème des développeurs, sans pour autant lever le voile sur leurs sources d'entraînement — une tension que la France connaît aussi avec Mistral Large 4, dont les poids seront publiés dans les mêmes conditions. Pour les équipes techniques qui évaluent une alternative ouverte aux API fermées sur des usages de développement assisté, Beam ajoute une option de plus dans un paysage qui se densifie à un rythme inédit.

Une start-up jeune face à des géants bien installés

Reflection AI reste une structure modeste comparée aux laboratoires qui dominent habituellement les annonces de la semaine : NVIDIA avec sa famille Nemotron, Meta avec Muse Wonder ou Google avec l'extension de Gemini 4 Argon à l'ensemble de ses offres entreprise. Fondée par des chercheurs venus de DeepMind et d'OpenAI, l'entreprise a construit sa réputation sur des outils de programmation assistée avant de franchir l'étape d'un modèle de fondation propre. Publier un modèle de cette taille sous licence ouverte, avec documentation technique et outillage complet pour l'évaluer et l'affiner, représente un pari coûteux pour une structure de cette taille — et un signal adressé autant aux développeurs qu'aux investisseurs sur sa capacité à tenir le rythme des laboratoires mieux financés.

Ce que cela change pour les équipes de développement

Pour les entreprises qui évaluent des modèles de code en open weights, l'arrivée de Beam élargit un choix jusqu'ici dominé par les familles chinoises (Qwen, GLM, DeepSeek) et par quelques alternatives américaines plus rares. Le paramètre de réglage de l'effort de raisonnement, qui permet d'arbitrer explicitement entre vitesse de réponse et profondeur d'analyse, répond à une demande concrète des équipes techniques : pouvoir ajuster le coût d'inférence selon la criticité de la tâche plutôt que de choisir un seul point de compromis figé. Reste à voir si les scores annoncés par Reflection AI se confirment une fois le modèle testé à grande échelle par des équipes indépendantes, hors du cadre contrôlé des benchmarks internes — une réserve qui vaut pour toute annonce de ce type tant que les résultats n'ont pas été reproduits.