← بازگشت به جدیدترین خبرها
اکتبر 17, 2026

Beam؛ مدل متن‌باز ۵۰۱ میلیارد پارامتری Reflection AI که می‌خواهد با GLM و Kimi رقابت کند

استارتاپ آمریکایی Reflection AI نخستین مدل متن‌باز خودش را با نام Beam معرفی کرده؛ مدلی با معماری mixture-of-experts که برای کدنویسی، استدلال و وظایف ایجنتی طراحی شده است. این مدل از نظر مقیاس یکی از بزرگ‌ترین مدل‌های متن‌بازی است که در این دوره از رقابت هوش مصنوعی منتشر می‌شود و نشان می‌دهد جبهه‌ی مدل‌های متن‌باز غربی، بعد از مدت‌ها سکوت نسبی در برابر رقبای چینی مثل GLM و Kimi، دوباره فعال شده است.

مدل Beam دقیقاً چیست

Beam یک مدل متنی (نه چندوجهی) با معماری sparse mixture-of-experts است. از مجموع ۵۰۱ میلیارد پارامتر کل مدل، تنها حدود ۲۳ میلیارد پارامتر برای هر استنتاج فعال می‌شود؛ یعنی مسیریابی پراکنده (sparse routing) باعث می‌شود فقط بخشی از شبکه برای هر توکن اجرا شود. این طراحی دقیقاً همان رویکردی است که مدل‌های بزرگ امروزی برای کنترل هزینه‌ی استنتاج و در عین حال حفظ ظرفیت دانشی بالا از آن استفاده می‌کنند.

طبق گزارش‌ها، Beam روی ۲۳.۸ تریلیون توکن از داده‌های وب و مجموعه‌داده‌های دارای مجوز، پیش‌آموزش دیده و سپس یک دوره‌ی یادگیری تقویتی چهارهفته‌ای روی ۱۰ هزار و ۵۰۰ کارت گرافیک Nvidia GB300 را پشت سر گذاشته است. این حجم از منابع محاسباتی نشان می‌دهد که Reflection AI، با وجود اینکه در مقایسه با اوپن‌ای‌آی یا گوگل یک بازیگر کوچک‌تر محسوب می‌شود، توانسته به زیرساخت محاسباتی قابل‌توجهی دسترسی پیدا کند.

پنجره‌ی زمینه‌ی Beam به یک میلیون توکن می‌رسد؛ رقمی که آن را برای کارهایی مثل خلاصه‌سازی کدبیس‌های بزرگ یا پردازش اسناد طولانی مناسب می‌کند. مهم‌تر از همه، Reflection AI اعلام کرده که Beam را تحت مجوز Apache 2.0 منتشر خواهد کرد؛ مجوزی که اجازه‌ی استفاده‌ی تجاری آزاد و حتی تغییر و توزیع مجدد مدل را می‌دهد، بدون محدودیت‌های سنگینی که برخی مدل‌های «متن‌باز» دیگر روی آن‌ها گذاشته‌اند.

عملکرد Beam در آزمون‌های بنچمارک

در آزمون Terminal-Bench نسخه‌ی ۲.۱، که معیار استانداردی برای سنجش توانایی مدل‌ها در انجام وظایف واقعی خط‌فرمان و برنامه‌نویسی است، Beam امتیاز ۸۰.۱ کسب کرده است. Reflection AI می‌گوید این عملکرد با استفاده از حدود ۲۵ هزار توکن در هر تلاش به دست آمده، در حالی که مدل رقیب GLM-5.2 برای رسیدن به نتیجه‌ای مشابه حدود ۸۰ هزار توکن مصرف می‌کند؛ یعنی ادعای اصلی Reflection این است که Beam حدود سه تا چهار برابر کم‌مصرف‌تر از رقبای غربی متن‌باز است.

در آزمون‌های دیگر نیز Beam نتایج قابل‌توجهی گرفته: امتیاز ۷۷.۲ در SWE-Bench Pro نسخه‌ی دشوار و ۸۰.۹ در SWE-Bench Verified. این آزمون‌ها معمولاً برای سنجش توانایی مدل‌ها در حل مسائل واقعی مهندسی نرم‌افزار، از جمله رفع باگ در پروژه‌های متن‌باز واقعی، طراحی شده‌اند. البته باید توجه داشت که این ارقام را خود Reflection AI منتشر کرده و رسانه‌ها تاکید کرده‌اند که این ادعاها هنوز به‌صورت مستقل تایید نشده‌اند.

در مقایسه با Kimi K3، یکی دیگر از مدل‌های متن‌باز قدرتمند که اخیراً توجه زیادی جذب کرده، Reflection AI صادقانه اعلام کرده که Kimi K3 همچنان از نظر توانمندی خام (raw capability) جلوتر است. این شفافیت نسبی، در مقایسه با برخی ادعاهای اغراق‌آمیز رایج در بازار مدل‌های هوش مصنوعی، قابل توجه است.

Reflection AI چه شرکتی است

Reflection AI یک استارتاپ نسبتاً جوان در حوزه‌ی هوش مصنوعی است که تا پیش از معرفی Beam، بیشتر برای کار روی عامل‌های یادگیری تقویتی و تحقیقات بنیادی در زمینه‌ی استدلال مدل‌ها شناخته می‌شد تا عرضه‌ی محصول تجاری. انتشار Beam نشان می‌دهد این شرکت اکنون وارد مرحله‌ی تازه‌ای شده و می‌خواهد از تحقیقات داخلی‌اش یک محصول قابل استفاده برای توسعه‌دهندگان بیرونی بسازد. این مسیر، یعنی حرکت از یک آزمایشگاه تحقیقاتی کوچک به یک تامین‌کننده‌ی مدل متن‌باز با مقیاس چند صد میلیارد پارامتری، معمولاً نیاز به سرمایه‌گذاری قابل‌توجه در زیرساخت محاسباتی دارد؛ همان چیزی که دسترسی این شرکت به ۱۰ هزار و ۵۰۰ کارت گرافیک GB300 برای یک دوره‌ی آموزشی چهارهفته‌ای نشان می‌دهد.

وضعیت انتشار و دسترسی

بر خلاف تصور اولیه، Beam هنوز به‌صورت کامل و عمومی منتشر نشده است. طبق آخرین اطلاعات، این مدل در مرحله‌ی نهایی تیم قرمز (red-teaming) و ارزیابی‌های امنیتی قرار دارد و دسترسی اولیه فقط از طریق یک فرم ثبت‌نام محدود ممکن است. Reflection AI وعده داده که وزن‌های مدل، گزارش فنی کامل، کارت مدل و ابزارهای توسعه‌دهنده را در ادامه‌ی ماه اکتبر منتشر خواهد کرد.

تحلیل: چرا Beam برای اکوسیستم هوش مصنوعی مهم است

در یک سال گذشته، روایت غالب در فضای مدل‌های متن‌باز این بود که آزمایشگاه‌های چینی مثل DeepSeek، Qwen و Z.ai (سازنده‌ی GLM) جلوتر از رقبای غربی حرکت می‌کنند، به‌خصوص از نظر نسبت عملکرد به هزینه. ورود Reflection AI با مدلی که مستقیماً خودش را در برابر GLM-5.2 مقایسه می‌کند، نشانه‌ای است از تلاش شرکت‌های آمریکایی کوچک‌تر برای پر کردن این فاصله، به‌جای رها کردن کامل میدان متن‌باز به رقبای چینی.

از منظر کسب‌وکارهایی که به دنبال جایگزین‌هایی ارزان‌تر برای مدل‌های بسته مثل GPT یا Claude هستند، مجوز Apache 2.0 واقعاً نکته‌ی مهمی است. بر خلاف مدل‌هایی که وزن‌هایشان را منتشر می‌کنند اما استفاده‌ی تجاری را محدود می‌کنند، Apache 2.0 به تیم‌های فنی اجازه می‌دهد Beam را بدون نگرانی حقوقی در محصولات تجاری خودشان ادغام کنند، آن را fine-tune کنند و حتی نسخه‌های تغییریافته‌اش را توزیع کنند.

با این حال، ادعای کارآمدی سه تا چهار برابری در مصرف توکن، اگر در استفاده‌ی واقعی تایید شود، می‌تواند تاثیر مستقیمی روی هزینه‌ی اجرای ایجنت‌های هوش مصنوعی در مقیاس بزرگ داشته باشد؛ چون هزینه‌ی اجرای مدل‌های ایجنتی معمولاً نه از قیمت هر توکن، بلکه از تعداد توکن‌های مصرف‌شده در یک وظیفه‌ی چندمرحله‌ای ناشی می‌شود. اگر Beam واقعاً بتواند با یک‌چهارم توکن به نتیجه‌ی مشابه برسد، این می‌تواند مزیت رقابتی جدی‌ای برای شرکت‌هایی باشد که عملیات ایجنتی را در مقیاس گسترده اجرا می‌کنند.

باید منتظر ماند تا وزن‌های کامل مدل منتشر شود و جامعه‌ی توسعه‌دهندگان بتوانند این ادعاها را مستقل از خود Reflection AI آزمایش کنند. تا آن زمان، Beam باید بیشتر به‌عنوان یک نامزد جدی و نه یک قهرمان تاییدشده در نظر گرفته شود.

نکته‌ی دیگری که در ارزیابی هر مدل متن‌باز تازه باید در نظر گرفت، میزان پشتیبانی جامعه و سرعت ادغام آن در ابزارهای رایج توسعه‌دهندگان مثل VS Code، ایجنت‌های کدنویسی خودکار و پلتفرم‌های استقرار مدل است. مدل‌هایی مثل Llama و Qwen بخشی از موفقیت‌شان را از همین اکوسیستم گسترده‌ی ابزارها گرفته‌اند، نه فقط از امتیاز بالا در بنچمارک‌ها. برای Beam هم، موفقیت واقعی به این بستگی دارد که آیا پلتفرم‌هایی مثل Hugging Face، Ollama و ارائه‌دهندگان API میزبانی شخص‌ثالث به سرعت از آن پشتیبانی می‌کنند یا نه. تا زمانی که وزن‌ها به‌صورت کامل منتشر نشده، هیچ‌کدام از این پیش‌بینی‌ها قابل آزمایش نیست و باید منتظر ماند تا ببینیم Reflection AI چطور این انتقال از آزمایشگاه تحقیقاتی به بازیگر واقعی بازار مدل‌های متن‌باز را مدیریت می‌کند.

منبع: Let’s Data Science

SOS سایتت خوابیده؟