Reflection lance Beam : 501B paramètres et 30 points à l'Intelligence Index

Reflection arrive sur le marché avec d'emblée un modèle que les tests indépendants placent dans le haut du classement des systèmes ouverts américains. Beam est un modèle à poids ouverts de 501 milliards de paramètres au total, dont 23 milliards actifs par token. À l'Artificial Analysis Intelligence Index, il obtient 30 points. Parmi les open weights américains, seul Meta Muse Spark Open le devance, avec 39 points. Nemotron 3.5 Super VL de NVIDIA, sorti la veille, en obtient 26. Tous modèles ouverts confondus, Beam occupe la dixième place, à un point de K2 Horizon, le modèle émirati (31). Hors de Chine, seuls ces deux modèles le devancent.

Peu de tokens par unité d'intelligence

La principale particularité de Beam n'est pas son score absolu, mais le prix qu'il paie pour l'obtenir. Sur une tâche de l'indice, il consomme environ 26k tokens de sortie, dont environ 19k pour le raisonnement et environ 7k pour la réponse. K2 Horizon, qui le devance d'un point, en dépense environ 52k, soit le double. Les modèles fermés restent la référence : GPT-6 Astra (max) obtient 53 points avec un budget d'environ 27k tokens, presque identique à celui de Beam.

La part de la réponse finale dans la sortie de Beam n'atteint que 26 %. C'est le 28e résultat le plus bas parmi les 219 modèles testés sur l'Intelligence Index v4.3. Le modèle réfléchit beaucoup et parle peu. Dans le Cyber Index, où il résout 34 % des tâches, ce profil le place sur la frontière « résultat / tokens de sortie », à côté de GPT-6 Sol (Daybreak Blue). Parmi les open weights américains testés, Beam est en tête de cet indice.

Agents performants, terminal faible

Le tableau est contrasté selon les tests. Chiffres clés :

• AutomationBench-AA : 48,5 %. K2 Horizon affiche 37,2 %, Qwen3.8 27B 48,2 %.
• CritPt : 13,1 %. C'est plus du double de K2 Horizon (4,6 %) et de Qwen3.8 27B (5,4 %).
• Terminal-Bench 4.0 : 3,0 %. Qwen3.8 27B obtient 5,6 %, Muse Spark Open 8,1 %.
• AA-Briefcase : 976 Elo, un autre point faible.
• Fenêtre de contexte : 1M tokens. Modalité texte uniquement.

En programmation, le résultat est plus modeste. Associé à Mirror, le harness CLI ouvert développé par Reflection, Beam obtient 28 points au Coding Agent Index. Il lui manque 15 points pour rejoindre la configuration suivante, Claude Code avec Qwen3.8 Max (43), et 40 points pour atteindre les leaders (68). En revanche, le modèle est économe en tokens : seuls Codex avec GPT-6 Astra et Codex avec GPT-6.1 Sol en consomment moins.

Plus de connaissances, mais plus d'inventions

Dans AA-Omniscience, Beam répond correctement à 33 % des questions. K2 Horizon est à 18 %, Qwen3.8 27B à 16 %. Cette étendue de connaissances a un coût élevé : le taux d'hallucinations de Beam est de 47 %, contre 26 % pour K2 Horizon et 30 % pour Qwen3.8 27B. Le modèle dit moins souvent « je ne sais pas » et se trompe plus souvent avec assurance. Son score final à l'indice est de 1,5, ce qui reste meilleur que celui de ses concurrents (−3,0 et −10,0). Le gain en précision l'emporte sur la pénalité liée aux inventions, mais la marge est faible.

Pour quels usages Beam convient-il en pratique ?

Beam est un candidat pour l'automatisation des processus métier et les scénarios agentiques à plusieurs étapes, où le coût du token et le contrôle des poids comptent. Une consommation de tokens de sortie deux fois moindre que celle de K2 Horizon réduit directement la facture d'inférence à grande échelle. Avec seulement 23 milliards de paramètres actifs, la charge de service est inférieure à celle de modèles denses de taille comparable, mais il faudra stocker l'intégralité des 501 milliards.

Pour les tâches en terminal et le codage autonome, Beam paraît pour l'instant plus faible que ses concurrents. Si vous construisez un assistant qui répond à des questions factuelles sans vérifier ses sources, 47 % d'hallucinations constituent un risque sérieux : il faut alors prévoir du retrieval ou une vérification des réponses. Un plan raisonnable consiste à déployer le modèle dans des pipelines agentiques avec vérification externe, et à laisser le codage à des combinaisons plus performantes. Mirror mérite en outre un coup d'œil : ce harness ouvert permet de reproduire les résultats de Reflection sur sa propre infrastructure et de les comparer à ceux du test indépendant.