Reflection lança o Beam 1.0: modelo aberto de 501B parâmetros sob Apache 2.0, com o Mirror CLI

Fala aí, beleza? A Reflection acabou de liberar os pesos completos do Beam 1.0, o primeiro modelo open-weight da empresa, e ele chegou com licença Apache 2.0, bem permissiva pra uso comercial

O modelo tinha sido anunciado em 5 de outubro de 2026, só com acesso antecipado por lista de espera

A disponibilidade geral veio em 16 de outubro, segundo o blog do Ollama

É um MoE esparso de 501B parâmetros no total e 23B ativos, com contexto de 1M tokens e pesos no Hugging Face

Junto com ele saiu o Mirror, o harness de código open source com o qual o Beam foi treinado 😀

O que a Reflection publicou no lançamento do Beam 1.0:

A Reflection não soltou só os pesos: o lançamento veio com um pacote mais completo, conforme o post de disponibilidade do Beam

• checkpoints em BF16, FP8 e NVFP4
• um drafter chamado DFlash2, para speculative decoding
• o Beam Safety Technical Report
• mais de 40 parceiros e integrações no lançamento

Os pesos estão no repositório oficial reflection/Beam-1.0-501B-A23B no Hugging Face

Sobre segurança, a empresa publicou o Beam Safety Technical Report

Nele, a Reflection afirma que o Beam fica no limite de risco "Limited" nas quatro categorias de dano sistêmico que ela acompanha: armas biológicas, armas químicas, perda de controle e ataque cibernético

Segundo a empresa, isso vem de filtragem de dados no pré-treino, SFT com traces de raciocínio derivados das políticas, RL com recompensas sensíveis a contexto e red teaming iterativo, humano e automatizado

Vale lembrar: é a avaliação da própria Reflection, não uma auditoria independente

Como funciona o reasoning_effort do Beam 1.0

E aqui tem um detalhe que pega muita gente 👀

Segundo o chat template do repositório oficial no Hugging Face, o parâmetro reasoning_effort aceita um inteiro ou os rótulos minimal, low, medium, high, xhigh e max, que mapeiam pra 8, 32, 64, 128, 256 e 512

Quando você não define o parâmetro, o padrão do template é max (512), ou seja, o maior esforço disponível

minimal (8) é o menor esforço usado no treino, então é a opção mais enxuta que você tem, não existe um nível "zero" que desligue o raciocínio

Tome cuidado: se você não configurar nada, o Beam roda no esforço máximo por padrão, o que custa mais tempo e mais tokens por resposta

Mirror: o harness de código aberto usado no treino do Beam

O Mirror é o agente de terminal open source da Reflection, licenciado em Apache 2.0, e o Beam foi treinado junto com ele

O repositório oficial é o reflection-oss/mirror no GitHub

Se você já usa algum agente que vive no terminal, a ideia é bem semelhante: ele trabalha dentro do seu projeto em vez de numa janela de chat

Segundo o README do repositório, o Mirror:

• lê e edita arquivos
• roda comandos
• trabalha em tarefas paralelas, cada uma em uma worktree separada do repositório

Já o post de disponibilidade do Beam complementa: o Mirror também mantém conversas retomáveis, aceita instruções de projeto, conecta com servidores MCP e suporta extensões em Python

Por baixo, segundo a Reflection, o frontend é em Python e o núcleo do agente é em Rust

A instalação é com o uv:

uv tool install reflection-mirror

O pacote se chama reflection-mirror, mas o comando que tu roda no terminal é só mirror:

cd /path/to/your/project
mirror

Desempenho do Beam 1.0 nos benchmarks independentes

Na Artificial Analysis, o Beam 1.0 marca 30 no Intelligence Index e fica em 2º entre os modelos open-weight dos EUA

Na frente dele está só o Muse Spark Open, da Meta, com 39

O Beam também é econômico: usa cerca de 26 mil tokens de saída por tarefa do índice

Porém, quando abre por benchmark, o retrato muda bastante:

Ou seja: o desempenho varia MUITO conforme o tipo de tarefa

Em automação ele vai bem, mas em tarefas de terminal o número é baixíssimo, e no teste de conhecimento a taxa de alucinação fica acima da taxa de acerto

Beam 1.0 x Muse Spark Open: a diferença está na licença

O Muse pontua mais (39 contra 30), mas a licença é onde o Beam ganha

A Apache 2.0 permite uso comercial, modificação e redistribuição, mas exige cumprir alguns requisitos: entregar uma cópia da licença, marcar os arquivos modificados, manter os avisos de copyright e atribuição e incluir o arquivo NOTICE quando ele existir

Já a Muse Model License, da Meta, tem duas amarras extras, segundo o AINews, da Latent Space:

• exige exibir "Built with Muse Spark Open" na interface
• empresas com mais de US$ 20 milhões de receita anual precisam de um acordo separado com a Meta pra oferecer o modelo como serviço (Model as a Service)

Então a conta fica assim: o Muse é mais forte no índice, mas o Beam não exige selo de atribuição na interface nem acordo separado por faixa de receita, só os requisitos padrão de licença e aviso da Apache 2.0

Pra quem pensa em produto comercial ou em revender inferência, isso pesa bastante na escolha

Como testar o Beam 1.0 hoje: Ollama Cloud, vLLM e SkyRL

Tem três caminhos verificados, e cada um serve pra um perfil diferente

Testar sem hardware: Ollama Cloud

O Ollama é parceiro de primeiro dia e oferece o Beam de graça por tempo limitado no Ollama Cloud

Você não precisa baixar o modelo nem gerenciar inferência local (nada de PC da Nasa haha)

O endpoint roda com retenção zero de dados (ZDR), em parceria com a Reflection

Pra abrir o Beam direto na ferramenta de código que tu já usa:

ollama launch claude --model beam:cloud
ollama launch codex --model beam:cloud
ollama launch opencode --model beam:cloud

O primeiro abre no Claude Code, o segundo no Codex e o terceiro no OpenCode

Servir na sua infraestrutura: vLLM

O vLLM suporta o Beam desde o primeiro dia

Segundo o AINews, da Latent Space, que cita o vLLM, a medição foi de 1.769 tokens de saída por segundo em 4x B300, com NVFP4, TP4 e concorrência 16

Isso é um resultado de throughput nessa configuração específica, não um requisito mínimo de hardware

Fine-tuning e RL: SkyRL

A Reflection fez parceria com a Anyscale pra fluxos de fine-tuning e RL com o SkyRL, conforme o post de disponibilidade do Beam

O SkyRL oferece desde o primeiro dia LoRA, fine-tuning completo e RL em MXFP8

Ele relata +62% de throughput de decode com LoRA (de 276 para 447 tok/s/GPU)

Se liga: esse ganho é de decode, não é aceleração do treino de ponta a ponta

Limitações do Beam 1.0 antes de usar como agente de código

O Beam é aberto e permissivo, mas tem pontos que pesam antes de colocar ele pra mexer no seu repositório:

• Terminal fraco: 3,0% no Terminal-Bench 4.0, justamente o tipo de tarefa de um agente de terminal
• Alucinação alta: 47% no AA-Omniscience
• Esforço de raciocínio alto por padrão: sem configurar reasoning_effort, o template usa max (512), o que custa mais tempo e mais tokens por resposta
• Tamanho: são 501B parâmetros no total, então rodar localmente não é coisa de notebook
• Gratuidade com prazo incerto: o Ollama não divulgou quando o período grátis acaba

O curioso é que o Mirror é um agente de terminal e o Beam foi treinado com ele, mas o número no Terminal-Bench é baixo

Então, antes de adotar o Beam como agente de código, valide no seu próprio fluxo, com tarefa real

Pra acompanhar a corrida dos modelos abertos:

O Beam entra num momento de vários lançamentos grandes, e se tu curte comparar, vale ler também sobre o Mistral Large 4 da Mistral

E se tu curte o tema, tem um vídeo no canal sobre o Sakana Fugu Max e Ultra v2, um orquestrador de modelos

Próximo passo: validar o Beam no seu próprio fluxo

Aproveita que o Ollama Cloud está grátis e abre o Beam com beam:cloud na ferramenta de código que você já usa

Pega uma tarefa real do seu projeto, roda nele e no modelo que você usa hoje, e compara o resultado lado a lado

Só depois disso vale pensar em hospedar via vLLM ou fazer fine-tuning no SkyRL =)

Até o próximo post!

Quer aprender mais sobre inteligência artificial e programação na prática? Conheça o canal Hora de Codar no YouTube e acompanhe os próximos vídeos.