Beam de Reflection: ¿rival abierto real o solo un marcador hasta que salgan los pesos?

El 5 de octubre, el laboratorio neoyorquino Reflection AI anunció Beam, su primer modelo: un sistema de pesos abiertos con 501.000 millones de parámetros, presentado como la respuesta occidental a los modelos abiertos chinos que dominan la IA autoalojada. El inconveniente es que, por ahora, nadie fuera de una lista de espera puede usarlo. Así que, para quien elige un modelo abierto para agentes de programación, herramientas internas o despliegues soberanos, la pregunta es sencilla: ¿Beam ya es una alternativa real o solo un marcador hasta que se publiquen los pesos?

La respuesta corta

Sobre el papel, Beam es un competidor creíble, y su afirmación más interesante tiene que ver con la eficiencia, no con la capacidad bruta. Pero todas las cifras hasta ahora las ha publicado la propia empresa, los pesos están prometidos para "más adelante este mes" y, en los propios gráficos de Reflection, Beam queda por detrás de los modelos abiertos chinos más recientes en la mayoría de las pruebas de programación con agentes. Inclúyalo en su lista de evaluación, pero no planifique una migración hasta que los pesos y el informe técnico sean públicos y lleguen pruebas independientes.

Qué anunció realmente Reflection

Según TechCrunch y el análisis del anuncio de DataCamp, Beam es un modelo disperso de mezcla de expertos (MoE), solo de texto, con 501.000 millones de parámetros en total, de los cuales 23.000 millones están activos en cada token. Reflection afirma que se preentrenó con 23,8 billones de tokens y que admite una ventana de contexto de 1 millón de tokens.

Los datos de entrenamiento son inusualmente detallados para un anuncio. Entre las cifras publicadas:

• Preentrenamiento: menos de cuatro semanas en 6.144 GPU Nvidia GB300, según Implicator y DataCamp.
• Aprendizaje por refuerzo: otras cuatro semanas en unas 10.500 GPU GB300, con más de 100 millones de rollouts sobre cerca de un millón de tareas de programación, agentes y STEM.
• Licencia: está prevista la Apache 2.0, con pesos, informe técnico y herramientas para desarrolladores a finales de octubre.

Hoy el acceso es una beta privada. DataCamp informa de una API compatible con Chat Completions de OpenAI, con el ID de modelo Beam-501B-A23B, un límite en la beta de 262.144 tokens entre entrada y salida (muy por debajo del millón anunciado) y ningún precio publicado a 6 de octubre.

Dónde lidera Beam y dónde se queda atrás

Las tablas comparativas de Reflection, reproducidas por DataCamp, MarkTechPost e Implicator, cuentan una historia con más matices que el titular.

Frente a modelos abiertos occidentales

La victoria más clara de Beam es sobre otros sistemas de pesos abiertos de EE. UU. En SWE-bench Verified registra 80,9, frente a 70,7 del Nemotron 3 Ultra de Nvidia. Eso importa a las organizaciones que, por política interna o normas de compras, no pueden desplegar pesos de origen chino.

Frente a modelos abiertos chinos

Aquí el panorama es mixto. Beam está más o menos a la par del GLM-5.2 de Z.ai en varias pruebas: 80,1 frente a 81,0 en Terminal-Bench 2.1, 44,4 frente a 44,0 en DeepSWE v1.1 y 65,5 frente a 62,1 en SWE-bench Pro v1. Pero queda claramente por detrás de modelos más nuevos. En Terminal-Bench 2.1, GLM-5.3 obtiene 88,2, Kimi K3 de Moonshot 88,3 y DeepSeek V4.1 Flash 90,6. En Humanity's Last Exam sin herramientas, el 36,2 de Beam queda por debajo del 40,5 de GLM-5.2 y del 46,9 de Kimi K3. En BrowseComp, Beam registra 77,4 frente a 91,2 de Kimi K3.

Dicho de otro modo, Beam se compara de cerca con un modelo que, según Semafor, salió en junio, mientras que la frontera china actual ya ha avanzado. Implicator señala que la propia Reflection reconoce que Kimi K3 sigue por delante en capacidad bruta.

La promesa de eficiencia, a examen

El argumento central de Reflection es que Beam iguala a GLM-5.2 en razonamiento usando "de 3 a 4 veces menos cómputo de inferencia". La dirección es plausible: Beam activa 23.000 millones de parámetros por token, mientras que la tabla comparativa de MarkTechPost sitúa a GLM-5.2 en unos 40.000 millones activos. Menos parámetros activos significan menos operaciones de coma flotante por token generado.

Pero hay tres salvedades importantes. Primero, Reflection describe la cifra como una comparación aproximada de cómputo, no como un coste de inferencia medido. Segundo, según RuntimeWire, la estimación excluye el prefill del prompt, la atención dependiente del contexto y la sobrecarga de servicio, que dominan los costes en cargas de agentes con contexto largo. Tercero, el autor de DataCamp señala que medir FLOPs por intento favorece de forma natural a modelos dispersos como Beam.

También hay una realidad de hardware que el discurso de eficiencia no borra. Los parámetros activos determinan el cómputo por token; los parámetros totales determinan la memoria. Según nuestros cálculos, 501.000 millones de parámetros a un byte cada uno (FP8) suponen unos 500 GB solo de pesos, antes de cualquier caché, y aproximadamente la mitad con precisión de 4 bits. Según MarkTechPost, Reflection prevé variantes FP8 y NVFP4. En cualquier caso, hablamos de servidores con varias GPU, no de un modelo para estación de trabajo.

Por qué importa más allá de los benchmarks

El argumento estratégico es de oferta, no de puntuación. El CEO Misha Laskin dijo a Semafor que las empresas y gobiernos que quieren modelos abiertos capaces sin origen chino "no tienen opciones realmente buenas hoy". TechCrunch informa de que Reflection ha recaudado unos 4.700 millones de dólares, con una valoración previa a la inversión de 25.000 millones, con Nvidia entre sus inversores, y ha firmado más de 7.000 millones de dólares en acuerdos de cómputo. Que un laboratorio estadounidense bien financiado se comprometa con pesos Apache 2.0 a esta escala es relevante para compradores que necesitan una licencia permisiva y una cadena de suministro nacional, aunque Beam no sea el modelo abierto más potente.

Para quienes lo implementan, la métrica útil es la que sugiere DataCamp: coste por tarea resuelta en su propia carga de trabajo. Un modelo que puntúa algo menos pero funciona con una fracción del cómputo puede ganar en producción, siempre que la sobrecarga de servicio se comporte como se anuncia.

Lo que sabemos vs. lo que inferimos

Sabido (publicado por varios medios citando a Reflection): los 501.000 millones de parámetros totales y 23.000 millones activos; los 23,8 billones de tokens de preentrenamiento; las cifras de GPU GB300; la licencia Apache 2.0 prevista; los pesos prometidos para finales de octubre; el acceso limitado hoy a una lista de espera; las cifras de benchmark citadas arriba.

Aún sin verificar: todos los benchmarks y la afirmación de 3 a 4 veces menos cómputo. TechCrunch afirma claramente que las afirmaciones de rendimiento no se han verificado de forma independiente.

Nuestra inferencia: que los requisitos de memoria limitarán Beam a servidores con varias GPU; que su ventaja real de coste se reducirá en cargas de contexto largo por los costes de prefill y atención excluidos; y que su mercado más fuerte son las organizaciones que descartan pesos de origen chino.

Qué vigilar a continuación

• Hasta el 31 de octubre de 2026 (23:59 ET / 0:59 UTC-3 del 1 de noviembre): si Reflection cumple su promesa de "más adelante este mes" para los pesos, el informe técnico y la ficha del modelo bajo Apache 2.0.
• Evaluaciones independientes: con los pesos públicos, los resultados de terceros en Terminal-Bench y las variantes de SWE-bench, además del rendimiento medido por GPU, pondrán a prueba la promesa de eficiencia.
• Precios: si la API publica tarifas por token y si los socios de alojamiento las rebajan.
• Ventana de contexto: si el límite de 262.144 tokens de la beta sube hacia el millón anunciado.

Solo información educativa.