Мой блог
Релиз открытой модели Beam: веса по лицензии Apache 2.0 и экосистема интеграций
Компания Reflection представила модель Beam, опубликовав ее открытые веса на платформе Hugging Face под лицензией Apache 2.0. Одновременно с этим облачные сервисы, включая Baseten, объявили о поддержке новой разработки через специализированные программные интерфейсы и выделенные инференс-мощности.
Предварительное знакомство с моделью началось в октябре, когда разработчики открыли доступ по листам ожидания на этапе финального тестирования. Обучение системы охватило 23,8 триллиона токенов с последующей доработкой с помощью методов обучения с подкреплением на графических ускорителях.
Документация и доступность на платформах
В открытом доступе появилась карточка модели, содержащая итоговые показатели бенчмарков, а также технический отчет о безопасности, описывающий примененные методологии проверок. Разработчики позиционируют релиз как основу для экосистемы интеграций, где модель выступает в роли ядра, окруженного стандартными агентами, контейнерами для развертывания и пайплайнами настройки.
Одновременно запущен публичный бета-тест официального программного интерфейса платформы. В список партнеров, обеспечивших запуск, вошли ведущие облачные провайдеры и инфраструктурные площадки, такие как Amazon Web Services, Google Cloud, Microsoft Azure, Cloudflare, CoreWeave, Databricks, Fireworks AI, LM Studio, Modal, Nebius, NVIDIA NIMs, Ollama, OpenRouter, Oracle, Together AI, Vercel и Weights & Biases. Для локальных закрытых контуров поставку оборудования обеспечивают Dell и Hewlett Packard Enterprise.
Форматы точности и поддержка фреймворков
Веса модели распространяются в форматах BF16, FP8 и NVFP4 совместно с вспомогательной моделью для спекулятивного декодирования. Проведенная оптимизация конфигураций обслуживания и создание специализированных ядер позволили снизить требования к памяти и ускорить генерацию токенов.
Нативная поддержка Beam с первого дня заявлена в популярных библиотеках и инструментах, среди которых Transformers от Hugging Face, vLLM, SGLang, Unsloth, Axolotl, TokenSpeed и Dynamo от NVIDIA. Пользователи могут загружать модель для самостоятельного развертывания, дообучения под конкретные задачи и интеграции в агентские среды.
Особенности архитектуры и показатели производительности
Архитектура модели использует смесь экспертов и насчитывает 501 миллиард общих параметров при 23 миллиардах активных параметров на один токен, поддерживая контекстное окно до одного миллиона токенов. Применяемый авторегрессионный подход ориентирован на обработку текстовых запросов.
В ходе бенчмарк-тестирования модель продемонстрировала высокие результаты в научной логике, программировании и решении соревновательных математических задач. За счет длительных прогонов обучения с подкреплением система оптимизирована для выполнения многошаговых сценариев с контролем длины генерируемого ответа. Пользователи могут настраивать параметр усиления рассуждений для балансировки между краткостью и глубиной проработки сложных вопросов.
Инструмент Mirror CLI и кастомизация
Параллельно разработчики открыли исходный код Mirror CLI — терминального агента, состоящего из интерфейсной части на Python и ядра на Rust. Инструмент поддерживает возобновляемые диалоги, параллельную работу агентов, инструкции для проектов и расширения.
Для задач кастомизации и тонкой настройки архитектуры велись работы совместно с NVIDIA, RadixArk, Hugging Face, Anyscale и Axolotl. В дальнейших планах создателей числятся выпуск рецептов самодистилляции и внедрение открытого стандарта сред OpenEnv для последующих запусков мультимодальных версий.
