Beam
PulseAugur coverage of Beam — every cluster mentioning Beam across labs, papers, and developer communities, ranked by signal.
- 2026-10-05 product_launch Reflection has unveiled its new open-source agentic model named Beam. 来源
- 2026-10-05 product_launch Reflection AI launched its first open-source model, Beam, a 501 billion parameter Mixture-of-Experts model. 来源
- 2026-10-05 product_launch Beam announced a new open-source AI model with 501 billion parameters, with full weights to be released later this month. 来源
- 2026-10-05 product_launch Beam has launched a new AI model with 501 billion parameters for code review. 来源
- 2026-10-05 product_launch Reflection launched Beam, a 501B open-weight model focused on coding, agentic, and scientific tasks. 来源
- 2026-10-05 product_launch Reflection has launched Beam, a new 501 billion parameter open-weight model. 来源
- 2026-10-05 product_launch Reflection AI has launched Beam, its first open-weight AI model. 来源
- 2026-10-05 product_launch Reflection AI launched Beam, a new open-weight AI model. 来源
- 2026-08-16 product_launch Decimen Optical Transfer launched Beam, a technology for transferring files from screen to camera over light. 来源
7 天有情绪数据
Beam AI to release specialized enterprise fine-tunes within 6 months
Beam AI's recent launch of a 501B parameter open-source model, trained with significant GPU resources and RL rollouts, suggests a strong foundation. Given the emerging trend of Western open-weight models serving as enterprise alternatives, it's plausible Reflection AI will build on this by offering specialized, fine-tuned versions of Beam for enterprise use cases, focusing on data control and compliance.
Beam's training process highlights massive compute demands for open-source frontier models
The training of Beam, a 501B parameter MoE model, involved 10,500 GPUs and processing 46.4 million daily sandboxes. This scale of computational resource allocation, with 90% of frontier lab compute dedicated to post-training and inference, underscores the escalating costs and infrastructure requirements for developing competitive open-source large language models.
Beam's performance on cybersecurity benchmarks to be evaluated against Mistral's 'Le Chonk'
With Mistral AI's 'Le Chonk' model showing strong performance on cybersecurity benchmarks (82% on AA Cyber Index), and Beam being a new, large open-source model, there's a high likelihood that the AI community will soon benchmark Beam against 'Le Chonk' on similar tasks. This direct comparison will be crucial for understanding the relative strengths of these Western open-weight models.
-
OpenAI发布AI生成的数学证明；Mistral、Reflection AI推出开源模型
OpenAI发布了由未发布的尖端模型生成的数百个数学证明，引发了关于在数学领域分享AI进展的争论。这些证明涵盖了372个主题家族，由解决了千禧年大奖难题的同一模型生成。与此同时，Mistral AI和Reflection AI分别推出了新的开源模型“Le Chonk”和“Beam”，在开源AI领域将其定位为中国现有模型的有力替代品。
-
西方开源AI模型成为企业新选择
西方公司正越来越多地开发开源AI模型，为企业提供了除专有西方模型和中国开源选项之外的替代方案。这一转变使组织能够更好地控制其AI部署，包括数据处理、定制和合规性，这对于受监管的行业尤其重要。尽管由于注重成本和效率，中国模型在开源能力方面一直处于领先地位，但西方开发商现在正在迎头赶上，旨在提供具有竞争力的性能和灵活性。
-
Mistral AI 和 Reflection AI 发布大型开放权重模型，挑战中国主导地位
Mistral AI 发布了“Le Chonk”（Mistral Large 4），这是一个拥有1.05万亿参数的开放权重模型，在欧洲基础设施上训练，旨在符合欧盟法规。与此同时，获得巨额融资和SpaceX计算支持的美国初创公司Reflection AI也发布了自己的开放权重模型Beam。这些发布标志着一个重大转变，打破了近期中国实验室在开放权重AI领域的统治地位，并为西方开发者带来了新的竞争。
-
Claude Opus 5.5 和 GPT-6.1 Sol 显示 5 倍价值差异；Reflection AI 发布高效 Beam 模型
一项最新调查显示，AI 模型在价值主张上存在显著差异，Claude Opus 5.5 和 GPT-6.1 Sol 尽管每月成本相似（均为 200 美元），但价值却相差五倍。此外，Reflection AI 推出了名为 Beam 的新开源模型，该模型仅用中国 AI 模型计算资源的三分之一到四分之一即可达到具有竞争力的性能。
-
Mistral AI 发布 1.05T 参数模型 'Le Chonk'，挑战闭源 AI 巨头
Mistral AI 发布了 Mistral Large 4，一个拥有 1.05 万亿参数的新模型，使其成为开放权重模型领域的有力竞争者。该模型在网络安全基准测试中表现出色，在 AA Cyber Index 上达到 82%，尽管像 Claude Opus 5.5 和 GPT-6 Astra 这样的闭源模型据称拒绝完成此特定任务。虽然 Large 4 在多语言能力方面展现出潜力并提供有竞争力的价格，但在人类评估的编码任务方面略逊于 Cl…
-
中国AI技术接近美国水平，但面临巨额资金缺口 · 追踪4个来源
中国的人工智能初创公司正在迅速缩小与美国模型的在技术上的差距，其中一些系统如Moonshot的Kimi K3已接近前沿性能。然而，这些中国公司面临着巨大的资金赤字，获得的风险投资仅为其美国同行的一小部分。这种财务差距，加上人才成本上升和国内市场收入有限，给中国的AI行业带来了重大挑战，尽管西方公司如Reflection和Mistral正在发布具有竞争力的开放权重模型。
-
Beam AI模型使用10,500个GPU和46.4M个每日沙箱进行训练 · 跟踪2个来源
一款名为Beam的新开源模型，拥有5010亿个参数，经过了巨大的计算努力训练而成。训练过程涉及10,500个GB300 GPU，并在四周内每天处理4640万个“沙箱”。这项巨大的工程凸显了开发大规模AI模型所需的巨大资源，目前约90%的前沿实验室计算能力已用于后训练和推理阶段。
-
开放模型集成到 Claude Code；OpenAI 增加文本水印
Together Link 已将开源模型集成到 Claude Code 和 Codex 中，旨在弥合代理间信任鸿沟。另外，Reflection AI 推出了 Beam，一个开放权重混合专家模型。OpenAI 还为 ChatGPT 和 Codex 实施了文本水印，并已在欧盟初步部署。
-
Reflection 发布 Beam，一款拥有 501B 参数的开源智能体模型
Reflection 发布了 Beam，这是一款拥有 5010 亿总参数和 230 亿激活参数的开源智能体模型。据报道，该模型提供了前沿的推理效率，并在编码和智能体任务方面提升了开源能力。Beam 的完整权重定于本月发布，Together AI 和 Nvidia 将参与相关活动。
-
AI代理激增：新模型发布，发现流氓活动，治理成为董事会级别问题
Reflection AI 发布了 Beam，一个拥有 5010 亿参数的开放权重模型。另外，Wikimedia基金会发现其项目中有OpenAI流氓代理活动。与此同时，AI代理的激增已将AI治理提升为SAP Japan等公司的董事会级别关注事项。
-
Reflection AI 发布开源 501B 参数 MoE 模型 Beam · 跟踪 4 个来源
Reflection AI 推出了其首个开源模型 Beam。该模型为专家混合（MoE）模型，拥有 5010 亿参数，并使用了 10,500 个单元上的 1 亿次强化学习 rollout 进行训练。Beam 的推出标志着 Reflection AI 在开源 AI 领域迈出了重要一步。
-
Beam发布5010亿参数的开源AI模型，权重即将发布
AI研究实验室Beam宣布推出一款新的开源模型，拥有5010亿参数，其中230亿为活跃参数。该模型专为效率而设计，据称比GLM 5.2的效率高3-4倍，比同类西方开源模型的效率高四倍以上。Beam计划在本月晚些时候发布该模型的完整权重，目前正在进行红队测试和评估，特别关注其编码和代理能力。
-
Beam发布5010亿参数AI用于代码审查
Beam推出了一款拥有5010亿参数的新AI模型，旨在协助代码审查。据报道，该模型采用了预训练和强化学习技术。这一消息引发了一些对其必要性和方法的怀疑。
-
Reflection 发布 501B 开源 Beam 模型，注重效率
总部位于美国的 AI 实验室 Reflection 宣布推出其名为 Beam 的新开源模型。该模型拥有 5010 亿总参数、230 亿激活参数的混合专家（Mixture-of-Experts）架构，从头开始训练，专注于编码、智能体（agentic）和科学任务。Beam 在 23.8 万亿 token 上进行了训练，并在四周内使用 10.5K NVIDIA GB300 GPU 进行了重要的强化学习阶段，产生了超过 100 百万次 rol…
-
Reflection AI 发布 Beam，以高效模型挑战中国开源大模型主导地位 · 追踪 8 个来源
Reflection AI 是一家由前 Google DeepMind 研究员创立的美国初创公司，现已发布 Beam，这是一款旨在与中国领先模型竞争的开源大模型。Beam 采用稀疏专家混合（MoE）架构，拥有 5010 亿个总参数和 230 亿个激活参数，使其在编码和推理任务上能够达到与 GLM-5.2 等模型相当的性能，同时显著减少了推理计算量。该公司强调 Beam 的效率及其在企业应用中的潜力，并计划在宽松许可下发布模型权重和技术细节。
-
Mnemon 代理采用双系统方法实现 LLM 长期记忆
研究人员推出 Mnemon，这是一种专为大型语言模型长期上下文设计的新型记忆代理。Mnemon 区分快速、基于判断的任务（系统 1）和慢速、基于推理的任务（系统 2），将前者分配给名为 Jev 的决策模型，后者分配给 LLM。这种方法使 Mnemon 能够维护并有效利用广泛的对话历史，在使用 GPT-4.1 mini 的 LoCoMo 基准测试中表现优于其他 14 个系统，并在 LongMemEval-S 上取得顶级结果。
-
DSPy 编程框架移植到 Elixir 以实现 BEAM 并发
Imp 是一个新框架，将 DSPy 编程范式引入 Elixir 语言和 BEAM 虚拟机。这使得开发人员能够利用 Elixir 的 OTP 的可靠性和并发特性来构建自改进的、声明式的语言模型应用程序。Imp 负责提示生成、响应解析和优化，从而无需手动进行提示工程即可创建复杂的代理和使用工具的系统。
-
AI记忆产品宣传被竞争对手研究揭穿
一篇新闻稿的作者发现，“全球首个”AI记忆产品的宣传不准确，因为市场上已存在竞争对手。初步研究（7月31日）发现了六款具有类似功能的产品，如跨模型记忆和上下文持久性。进一步调查（9月10日）在Chrome网上应用店发现了另外十一个扩展，这凸显了验证此类新颖性声明的难度，以及除了内部代码验证之外，进行外部市场研究的必要性。
-
Fortunate Recall 通过本体驱动策略增强LLM记忆管理
研究人员推出了一种新颖的策略层Fortunate Recall (FR)，旨在改进大型语言模型 (LLM) 的记忆管理。FR通过将个人事实分类到行为本体中并应用特定类别的生命周期策略，解决了无界内存增长和检索精度下降的问题。该方法旨在根据记忆的行为类型，确定哪些记忆应该持久存在、被替换或调整其有效性。
-
MemoryLACE框架增强LLM代理的长期记忆能力
研究人员开发了MemoryLACE (MemLACE)，一个旨在增强大型语言模型代理长期记忆能力的新型框架。该系统显式地对文本证据的生命周期进行建模，包括合并、取代和矛盾关系，同时维护单个记忆的出处。与隐式处理这些关系或依赖复杂结构化方法的现有系统不同，MemLACE为下游推理重建了关系感知的证据单元。在BEAM和StructMemEval基准测试的评估中，MemLACE与已建立的反射记忆基线相比，表现出卓越的性能并显著减少了运行时间。