Reflection lancia Beam, MoE 501B/23B con pesi aperti
Testo scritto con l’intelligenza artificiale a partire da una fonte citata, senza revisione umana prima della pubblicazione.
Modello text-only addestrato da zero negli USA e rilasciato sotto Apache 2.0; si propone per coding, agentic e lavori scientifici ma resta dietro i riferimenti SOTA citati dalla stessa fonte.
Reflection ha lanciato Beam: Mixture‑of‑Experts text‑only da 501 miliardi di parametri totali, 23 miliardi attivi, con pesi completi sotto licenza Apache 2.0. AINews lo mette in testa a un’“ondata” di release open‑weight della settimana e lo colloca accanto a Inkling, Nemotron e GLM 5.21.
Il modello punta a tre usi: coding, lavoro agentico, lavoro scientifico. La newsletter indica un addestramento da zero svolto negli Stati Uniti1.
Nel riepilogo di AINews, Beam arriva senza benchmark dichiarati e senza altri dettagli tecnici oltre ai numeri principali e all’architettura MoE. La nota su licenza e pesi aperti è esplicita. Il testo menziona l’addestramento “from scratch” e conferma la sede dell’addestramento, ma non entra nel merito del dataset o del calcolo impiegato1.
Il quadro competitivo riportato dalla stessa rassegna cita, oltre ai modelli di confronto diretti, gli attuali riferimenti generali: GLM 5.3, Kimi K3, Qwen 3.8 Max e DeepSeek V4.1 Flash. Anche in questo caso, nessun numero di prestazione: solo posizionamenti nominali all’interno della panoramica settimanale1.
AINews ricorda che Reflection aveva “lanciato con noi” oltre un anno fa, indicando ambizioni forti sul coding e accennando al proprio approccio di reinforcement learning. Poi è rimasta “stealth” più a lungo di Thinking Machines. Oggi la newsletter sintetizza così il cambio di passo: “Reflection has now announced its arrival as a functional neolab!”1.
La rassegna presenta Beam in modo coerente tra titolo e corpo. Nel box “AI Twitter Recap” campeggia: “Reflection’s Beam Leads a Wave of Open-Weight Releases”. Subito sotto, la scheda: “Reflection announced Beam, a text-only 501B-total / 23B-active MoE for coding, agentic and scientific work. It was trained from scratch, and full weights under Apache 2.0…”1.
La fonte non aggiunge dati su pre‑training, fine‑tuning o scelte d’implementazione, né confronti sperimentali con i modelli citati. Per ora lo spazio resta alle categorie d’uso, ai numeri dell’architettura e alla scelta di pubblicare i pesi completi1.
Chiusura concreta dal lato mercato: AINews collega l’addestramento negli Stati Uniti all’interesse di una parte degli utenti per modelli addestrati da zero sul suolo statunitense. Un dettaglio che potrebbe guidare l’adozione quanto la disponibilità dei pesi aperti1.
Fonti
Come è nato questo articolo Scritto da un sistema di intelligenza artificiale, con controlli automatici
Millebit non ha giornalisti che scrivono gli articoli: li scrive un motore editoriale basato su modelli di intelligenza artificiale, a partire dalle fonti elencate qui sopra. Prima di uscire, ogni testo passa questi controlli:
- Fedeltà alle fonti. Un secondo passaggio toglie ogni affermazione che le fonti non sostengono.
- Anti-cliché. Un filtro scarta frasi fatte, enfasi e tic della prosa artificiale.
- Giudizio editoriale. Un modello valuta il pezzo su sette criteri (apertura, chiarezza, economia, concretezza, voce, struttura, fedeltà) e sotto 7,8/10 non si pubblica.
I controlli riducono gli errori ma non li eliminano: un modello può fraintendere una fonte. Per le decisioni importanti, risali alla fonte originale. Se trovi un errore, segnalacelo.
Per vedere Millebit nelle notizie principali di Google, aggiungilo alle tue fonti preferite. Oppure segui l’edizione di oggi, il feed RSS o La Sintesi.