Reflection presenta Beam, su primer modelo de IA de pesos abiertos
Reflection AI ha presentado Beam, su primer modelo de inteligencia artificial y uno de los intentos estadounidenses más ambiciosos por recuperar terreno en el mercado de los modelos con pesos abiertos. La empresa, respaldada por Nvidia y fundada por antiguos investigadores de Google DeepMind, no promete superar a las mejores IA cerradas. Su propuesta es distinta: acercarse a los modelos chinos más competitivos utilizando menos recursos al responder.
Qué es Beam, el primer modelo de Reflection
Beam es un modelo de texto diseñado para programación, razonamiento y cargas de trabajo agénticas, es decir, tareas en las que la IA utiliza herramientas y completa varios pasos con cierta autonomía. Cuenta con 501.000 millones de parámetros totales, pero activa únicamente 23.000 millones al procesar cada token.
Esta diferencia se explica por su arquitectura dispersa de mezcla de expertos o MoE. En lugar de utilizar toda la red para cada palabra, un sistema de enrutamiento selecciona los módulos especializados que parecen más adecuados. La idea es conservar una gran capacidad total sin pagar siempre el coste de ejecutar un modelo denso de 501.000 millones de parámetros.
Según el anuncio técnico de Reflection, el preentrenamiento utilizó 23,8 billones de tokens seleccionados de la web y conjuntos licenciados. Después llegó una fase de aprendizaje por refuerzo con más de 100 millones de ejecuciones de práctica, realizada durante cuatro semanas sobre 10.500 GPU Nvidia GB300. La escala deja claro que «abierto» no significa pequeño ni barato de desarrollar.
Rendimiento: competitivo, pero no líder absoluto
Reflection sostiene que Beam ofrece un razonamiento comparable a GLM 5.2 empleando entre tres y cuatro veces menos cómputo de inferencia. Esa eficiencia es el centro del lanzamiento. En DeepSWE v1.1 obtiene 44,4 puntos, prácticamente empatado con los 44 de GLM 5.2, aunque queda por detrás de Qwen 3.8-Max, Kimi K3 y DeepSeek V4.1 Flash.
La situación se repite en Terminal Bench v2.1. Beam alcanza 80,1 puntos frente a 81 de GLM 5.2, 86,6 de Qwen, 88,3 de Kimi y 90,6 de DeepSeek. En SWE-bench Verified logra un notable 80,9 % y supera a los modelos occidentales comparables cuyos resultados aparecen publicados, pero faltan puntuaciones homogéneas de varios rivales chinos en esa misma tabla.
En razonamiento general tampoco domina: obtiene 36,2 en Humanity’s Last Exam sin herramientas, por debajo de GLM 5.2, Qwen y Kimi. Los datos respaldan una conclusión más modesta que algunos titulares: Beam es un modelo occidental competitivo y eficiente, no el nuevo campeón mundial. Además, todos los resultados han sido publicados por Reflection y todavía no existe una evaluación independiente amplia.
Qué significa realmente que tenga pesos abiertos
Un modelo con pesos abiertos permite descargar los valores aprendidos durante el entrenamiento, ejecutarlos en infraestructura propia y adaptarlos. Esto ofrece más control sobre los datos, el coste, la disponibilidad y la personalización que depender de una API cerrada de OpenAI o Anthropic.
Pero «pesos abiertos» no equivale necesariamente a código abierto completo. Puede que no se publiquen los datos de entrenamiento, todos los procesos de filtrado o las herramientas exactas utilizadas para crear el modelo. Reflection promete distribuir los pesos bajo licencia Apache 2.0, junto con un informe técnico, una ficha del modelo y recursos para desarrolladores. De momento, esa publicación aún no ha ocurrido: Beam sigue en evaluación de seguridad y solo admite solicitudes de acceso anticipado.
La estrategia de las fábricas de IA
Beam es solo la primera pieza de una estrategia mayor. Reflection propone crear «fábricas de IA» para empresas, bancos, fondos de inversión y administraciones públicas. La organización aportaría sus datos privados; Reflection, los modelos y el software; y una infraestructura basada en GPU proporcionaría la capacidad para entrenar o adaptar un sistema propietario.
El atractivo es evidente para instituciones que no quieren enviar información sensible a un proveedor externo ni quedar atrapadas en sus tarifas. Pueden mantener el sistema dentro de su entorno, personalizarlo y auditarlo. La contrapartida también es importante: alojar un modelo de este tamaño exige servidores caros, especialistas y una política de seguridad propia. Tener los pesos ofrece control, pero traslada al cliente buena parte de la responsabilidad.
Una respuesta occidental al dominio chino
Modelos como DeepSeek, Qwen, GLM y Kimi han impulsado el ecosistema abierto durante los últimos meses. Como recoge la versión española de Reuters, Reflection quiere competir precisamente en programación y agentes, donde las alternativas chinas combinan buenas prestaciones, personalización y costes reducidos.
Para empresas y gobiernos occidentales, Beam añade otra opción cuando existen dudas regulatorias, geopolíticas o de seguridad sobre modelos chinos. Sin embargo, abrir los pesos también permite eliminar salvaguardas con mayor facilidad. Reflection defiende que la transparencia facilita auditar fallos, pero ya no puede controlar todos los usos una vez publicado el archivo.
Cuándo se podrá descargar Beam
La compañía prevé publicar los pesos, versiones cuantizadas FP8 y NVFP4 y la documentación durante octubre de 2026. Hasta entonces, no se puede comprobar cuánto hardware necesita realmente, reproducir los benchmarks ni ajustarlo de forma local. Hay una lista de espera para probar la API, pero no se ha anunciado un acceso general inmediato.
Beam importa menos por derrotar a todos sus rivales —no lo hace— que por ofrecer una alternativa estadounidense seria en un segmento dominado por China. Si la publicación cumple lo prometido y las pruebas externas confirman la eficiencia, Reflection habrá construido una base convincente para su modelo de «IA que puedes poseer». Ahora falta la parte decisiva: abrirla de verdad.