Beam 现已在 Baseten 上线。Reflection 的 501B 开放权重 MoE 模型专为编码与智能体工作流中的高效推理而打造，支持 1M 上下文。
作者
Chloe Florit发布日期
2026 年 10 月 16 日
分享
发布日期
2026 年 10 月 16 日
TL;DR今天，我们很荣幸通过 day-0 支持，将 Reflection 的首个开放权重模型 Beam 引入 Baseten 平台，以此支持 Reflection。
Beam 现已 通过 Baseten Model APIs 和 Dedicated Inference 提供 。下面我们来深入了解它的能力以及实现高效推理的方式。
Beam 是一个自回归 Transformer 模型，接受文本输入并生成文本输出（主要为英文）。它采用混合专家（MoE）架构，总参数为 501B，每 token 激活参数为 23B，上下文窗口最高可达 100 万 token。
Beam 是 Reflection 全新模型系列中的首个模型，未来版本计划加入多语言和多模态能力。Beam 专为构建编码与智能体系统的开发者和研究人员，以及希望定制并运行自有模型的企业而设计。它可与开发者已在使用的运行时、框架、编码工具链和工具开箱即用。
面向编码与智能体工作负载的高效推理
Reflection 的评估显示，Beam 在编码、智能体、推理和 STEM 基准测试中表现强劲：
✕
智能体编码性能✕
推理性能来源： https://reflection.ai/blog/introducing-beam
Reflection 训练 Beam 解决编码与智能体任务，并用更少的 token 达成成功结果。目标是降低这些工作负载的成本。强化学习（RL）是 Beam 训练的重要组成部分。
Reflection 采用了更长的 RL rollout，让 Beam 能够练习通过多个步骤解决任务，使用工具并根据反馈调整方法。Reflection 在训练中对成功的解决方案给予奖励，并施加长度惩罚以抑制不必要的 token。简而言之，更长的 rollout 让 Beam 能够处理复杂任务，而长度惩罚则鼓励它用更少的 token 完成这些任务。
用户还可以调整 Beam 的推理投入（reasoning effort）参数：较低设置倾向于更短的响应，较高设置允许更多推理，以提升在苛刻任务上的表现。
开始在 Baseten 上使用 Beam
你今天就可以通过 Baseten Model APIs 和 Dedicated Inference使用 Beam。构建能够解决复杂任务而不浪费 token 的编码与智能体系统。
订阅我们的新闻通讯
及时了解模型性能、推理基础设施等最新动态。
$?/$