Reflection lanza Beam: 501B parámetros y 30 puntos en el Intelligence Index

Reflection ha llegado al mercado directamente con un modelo que las pruebas independientes sitúan en la parte alta de los sistemas abiertos estadounidenses. Beam es un modelo con pesos abiertos, con 501 mil millones de parámetros en total y 23 mil millones activos por token. En el Artificial Analysis Intelligence Index obtiene 30 puntos. Entre los open weights estadounidenses, solo Meta Muse Spark Open lo supera, con 39 puntos. Nemotron 3.5 Super VL de NVIDIA, lanzado un día antes, consiguió 26. Entre todos los modelos abiertos, Beam ocupa el décimo lugar y queda a un punto de K2 Horizon, de Emiratos Árabes Unidos (31). Fuera de China, solo esos dos modelos están por encima.

Pocos tokens por unidad de inteligencia

Lo distintivo de Beam está en el precio que paga por esa puntuación, más que en la puntuación absoluta. Por cada tarea del índice gasta alrededor de 26k tokens de salida: unos 19k se van en razonamiento y unos 7k en la respuesta. K2 Horizon, que le saca un punto, consume unos 52k, es decir, el doble. Los modelos cerrados siguen marcando el listón: GPT-6 Astra (max) alcanza 53 puntos con un presupuesto de unos 27k tokens, casi el mismo que Beam.

La respuesta final representa solo el 26% de la salida de Beam. Es el 28.º peor resultado de los 219 modelos probados en Intelligence Index v4.3. El modelo piensa mucho y habla poco. En el Cyber Index, donde resuelve el 34% de las tareas, eso lo coloca en la frontera «resultado frente a tokens de salida», junto a GPT-6 Sol (Daybreak Blue). Entre los open weights estadounidenses probados, Beam lidera este índice.

Agentes fuertes, terminal débil

El panorama por pruebas es irregular. Las cifras clave:

• AutomationBench-AA: 48,5%. K2 Horizon marca 37,2% y Qwen3.8 27B, 48,2%.
• CritPt: 13,1%. Es más del doble que K2 Horizon (4,6%) y Qwen3.8 27B (5,4%).
• Terminal-Bench 4.0: 3,0%. Qwen3.8 27B obtiene 5,6% y Muse Spark Open, 8,1%.
• AA-Briefcase: 976 Elo, otro punto débil.
• Ventana de contexto: 1M de tokens. Solo admite modalidad de texto.

En programación el resultado es más modesto. Combinado con Mirror, el arnés CLI abierto de la propia Reflection, Beam obtiene 28 puntos en el Coding Agent Index. Le faltan 15 puntos para la siguiente configuración, Claude Code con Qwen3.8 Max (43), y 40 para los líderes (68). Eso sí, es económico en tokens: solo gastan menos Codex con GPT-6 Astra y Codex con GPT-6.1 Sol.

Sabe más, pero también se inventa más

En AA-Omniscience, Beam responde correctamente el 33% de las preguntas. K2 Horizon logra un 18% y Qwen3.8 27B, un 16%. El precio de ese conocimiento amplio es alto: la tasa de alucinaciones de Beam es del 47%, frente al 26% de K2 Horizon y el 30% de Qwen3.8 27B. El modelo dice «no lo sé» con menos frecuencia y se equivoca con seguridad más a menudo. Su puntuación final en el índice es 1,5, que sigue siendo mejor que la de sus competidores (−3,0 y −10,0). La ganancia en precisión compensa la penalización por invenciones, pero el margen es pequeño.

Para quién sirve Beam en la práctica

Es un candidato para automatizar procesos de negocio y para escenarios agénticos de varios pasos en los que importan el coste del token y el control sobre los pesos. Gastar la mitad de tokens de salida que K2 Horizon reduce directamente la factura de inferencia con volúmenes grandes. Con solo 23 mil millones de parámetros activos, la carga de servicio es menor que la de modelos densos de tamaño comparable, aunque habrá que almacenar los 501 mil millones.

Para tareas de terminal y programación autónoma, Beam por ahora queda por detrás de sus rivales. Si se construye un asistente que responde preguntas factuales sin comprobar fuentes, un 47% de alucinaciones supone un riesgo serio y hacen falta recuperación de información (retrieval) o verificación de las respuestas. Un plan razonable: usar el modelo en pipelines agénticos con verificación externa y dejar la programación a combinaciones más sólidas. Conviene mirar aparte Mirror: el arnés abierto permite reproducir los resultados de Reflection en infraestructura propia y compararlos con lo que mostró la prueba independiente.