Reflection AI presenta Beam: sfida alla Cina sui modelli open-weight

📌 In Sintesi

• Beam è un modello Mixture-of-Experts da 501 miliardi di parametri totali, con 23 miliardi attivati per token.
• Reflection AI lo confronta direttamente con GLM, Qwen, Kimi e DeepSeek, puntando soprattutto sull’efficienza di inferenza.
• I pesi non sono ancora pubblici: Reflection promette rilascio Apache 2.0, technical report e strumenti entro ottobre.

Reflection AI presenta Beam e prova a riaprire una partita che negli ultimi mesi si è spostata nettamente verso la Cina: quella dei modelli open-weight capaci di sostenere coding, ragionamento e workload agentici su scala enterprise. Beam è un Mixture-of-Experts da 501 miliardi di parametri totali, ma ne attiva 23 miliardi per token, una scelta progettata per ridurre il costo di inferenza senza rinunciare alla capacità. Il dato più interessante non è però la taglia del modello, bensì il posizionamento industriale: Reflection confronta direttamente Beam con GLM, Qwen, Kimi e DeepSeek e promette di pubblicarne i pesi con licenza Apache 2.0 entro ottobre.

Beam usa 501 miliardi di parametri ma ne attiva soltanto 23

Reflection descrive Beam come il primo modello di una nuova famiglia destinata a riportare competitività nel segmento open-weight occidentale. Nell’annuncio tecnico ufficiale di Reflection AI, Beam viene definito un modello sparse Mixture-of-Experts con 501 miliardi di parametri complessivi e 23 miliardi attivi, addestrato su 23,8 trilioni di token provenienti dal web, fonti pubbliche e dataset proprietari concessi in licenza. Il training ha combinato pretraining massivo e reinforcement learning ad alto compute: la fase RL ha prodotto oltre 100 milioni di rollout utilizzando 10.500 GPU Nvidia GB300 per quattro settimane, con un contesto massimo di 256K token e fino a 170.000 sandbox concorrenti. Reflection sostiene inoltre di aver completato il pretraining in meno di quattro settimane su 6.144 GB300 NVL72. È una scala che mostra come l’open-weight non sia più un terreno per laboratori leggeri: servono infrastrutture, capitali e migliaia di acceleratori, lo stesso collo di bottiglia che alimenta la competizione globale sui semiconduttori.

Leggi anche: Spionaggio AI su scala industriale: i laboratori cinesi estraggono i segreti di Claude

Reflection misura Beam direttamente contro GLM, Qwen, Kimi e DeepSeek

Il punto industriale emerge dai benchmark scelti dalla società. Beam viene confrontato soprattutto con GLM 5.2 e 5.3 di Z.ai, Qwen 3.8-Max di Alibaba, Kimi K3 di Moonshot e DeepSeek V4.1 Flash. Nei risultati pubblicati da Reflection, il modello raggiunge prestazioni vicine o superiori a GLM 5.2 in diversi workload agentici, si avvicina a Qwen 3.8-Max e resta dietro ai sistemi cinesi più forti in alcune prove di coding e ricerca. Il vantaggio rivendicato è l’efficienza: sui benchmark di ragionamento avanzato Beam utilizzerebbe da tre a quattro volte meno compute di inferenza rispetto a GLM 5.2, con un divario ancora maggiore nei confronti dei modelli della fascia superiore ai due trilioni di parametri. Sono benchmark prodotti dal vendor e ancora da verificare indipendentemente, ma la scelta dei concorrenti dice già molto. Gli Stati Uniti non possono presidiare il mercato soltanto attraverso API chiuse se la Cina continua a distribuire modelli potenti, modificabili e relativamente economici. La pressione competitiva era già evidente nel confronto tra crescita cinese dell’AI, Anthropic e restrizioni occidentali sui chip.

L’arma vera è il rilascio dei pesi sotto Apache 2.0

Beam prova a rispondere non soltanto con la potenza, ma con un modello di distribuzione differente. Reflection promette di pubblicare entro ottobre i pesi completi con licenza Apache 2.0, insieme a technical report, model card, valutazioni di sicurezza, codice di inferenza, cookbook e strumenti per il fine-tuning. Al momento, però, Beam è ancora sottoposto al red-teaming finale ed è disponibile soltanto attraverso un early access selettivo: parlare di modello già completamente rilasciato sarebbe quindi prematuro. Se il piano verrà rispettato, aziende e amministrazioni potranno eseguirlo in cloud privato, infrastrutture on-premise o ambienti air-gapped evitando l’obbligo di trasferire codice, documentazione e dati verso un’API esterna. È qui che l’open-weight diventa una questione di controllo dell’infrastruttura e sovranità sui dati, più che una semplice disputa terminologica sull’open source. DeepSeek aveva già mostrato quanto l’apertura dei pesi possa diventare una leva competitiva contro i laboratori statunitensi, come emerso quando DeepSeek V4 ha riaperto la pressione sui modelli occidentali.

Il reinforcement learning diventa una fabbrica di agenti

L’altro elemento strutturale è il modo in cui Reflection ha scalato il reinforcement learning. Il laboratorio afferma di aver costruito circa un milione di ambienti dedicati a coding, agenti e STEM e di aver utilizzato 1,3 miliardi di sandbox durante training e grading. Beam viene quindi ottimizzato non soltanto per generare testo, ma per operare in ambienti, utilizzare strumenti, affrontare task multi-step e adattarsi al feedback. Non sorprende che i benchmark centrali includano DeepSWE, Terminal Bench, MCP Atlas e AutomationBench anziché limitarsi ai tradizionali test di conoscenza. Reflection vuole trasformare Beam in un “workhorse” per imprese, sviluppatori e settore pubblico: un modello abbastanza potente da analizzare repository e utilizzare terminali, ma anche sufficientemente controllabile da essere distribuito all’interno dell’infrastruttura aziendale. Il valore dell’architettura si sposta quindi dal chatbot all’agente che esegue operazioni, con una conseguenza diretta: chi controlla modello, runtime e dati controlla una quota crescente del processo produttivo digitale.

Continua con:

Amazon blinda Anthropic con miliardi, OpenAI finisce sotto indagine negli USA

Beam deve ancora dimostrare che l’Occidente può recuperare nell’open-weight

Il limite è che Reflection sta ancora presentando una piattaforma in costruzione. I pesi non sono pubblicamente disponibili, il technical report completo deve ancora arrivare e le valutazioni di sicurezza saranno diffuse con la model card. Anche i benchmark appartengono al produttore e alcuni concorrenti non dispongono di risultati pubblicati su tutte le prove, rendendo il confronto inevitabilmente incompleto. Beam segnala però un cambio di postura: invece di lasciare che l’open-weight venga identificato quasi esclusivamente con DeepSeek, Qwen, GLM e Kimi, un laboratorio statunitense prova a competere sul loro stesso terreno, puntando su efficienza, workload agentici e deployment controllabile. Per Europa e Italia la conseguenza può essere rilevante: la scelta futura potrebbe non essere più soltanto tra API statunitensi chiuse e modelli cinesi scaricabili. La vera verifica arriverà quando i pesi di Beam potranno essere eseguiti, misurati e confrontati indipendentemente. Fino ad allora Reflection non ha colmato il divario, ma ha finalmente scelto il campo sul quale provare a farlo.