Reflection: Beam 1.0 501B A23B

Reflection: Beam 1.0 501B A23B ist ein Textmodell von Reflection. Es ist ein Open-Weight-Reasoning-Modell, das für Coding und langfristige agentische Workflows entwickelt wurde, und es verwendet eine sparse Mixture-of-Experts-Architektur mit 501B Gesamtparametern und 23B aktiven Parametern pro Token. Der Anbieter hat es am 2026-10-16 veröffentlicht, und sein Knowledge Cutoff ist der 2026-06-30.

Das Modell nimmt Text entgegen und gibt Text aus. Sein Kontextfenster beträgt 1.048.576 Token, und die maximale Ausgabe beträgt 943.718 Token, sodass es sehr große Eingaben aufnehmen und sehr lange Antworten in einer einzigen Anfrage erzeugen kann. Reasoning ist Teil des Designs des Modells: Die unterstützten Parameter umfassen reasoning, reasoning_effort und include_reasoning, mit denen Sie steuern können, ob Reasoning zurückgegeben wird und wie viel Aufwand dafür betrieben wird. Es unterstützt außerdem Tool-Nutzung über tools und tool_choice sowie strukturierte Ausgaben über response_format und structured_outputs.

Diese Fähigkeiten deuten auf einige praktische Anwendungen hin. Langfristige agentische Workflows passen zum großen Kontext und zur Tool-Unterstützung, da ein Agent eine lange Historie von Schritten mitführen und Tools über viele Turns hinweg aufrufen kann. Coding-Aufgaben passen zum Reasoning-Fokus, sei es das Durcharbeiten einer großen Codebasis im Kontext oder das Generieren und Überarbeiten von Code über lange Ausgaben. Die Parameter für strukturierte Ausgaben und Tools eignen sich auch für Pipelines, die maschinenlesbare Antworten oder orchestrierte Aufrufe externer Funktionen benötigen. Da das Kontextfenster groß ist, sind Aufgaben wie das Zusammenfassen oder Abfragen langer Dokumente ohne Chunking machbar, und die hohe Ausgabeobergrenze hilft, wenn eine einzelne Antwort umfangreich sein muss.

Sie rufen das Modell über die OpenAI-kompatible API von api14 mit der Modell-ID "reflection/beam-1.0-501b-a23b" auf. Die unterstützten Anfrageparameter sind frequency_penalty, include_reasoning, logit_bias, logprobs, max_tokens, min_p, presence_penalty, reasoning, reasoning_effort, repetition_penalty, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools, top_k, top_logprobs und top_p. Das Sampling kann mit temperature, top_p, top_k und min_p abgestimmt werden, während Penalties, Seeds, Stop-Sequenzen und Optionen für Log-Wahrscheinlichkeiten Reproduzierbarkeit und Ausgabegestaltung abdecken.

Es ist ein reines Textmodell, akzeptiert also keine Bild- oder Audioeingabe, und seine Ausgabe ist nur Text. Wenn Ihre Aufgabe von einer anderen Modalität abhängt, wäre ein anderes Modell besser geeignet. Der Knowledge Cutoff vom 2026-06-30 bedeutet außerdem, dass alles nach diesem Datum außerhalb seiner Trainingsdaten liegt, sodass Sie für sehr aktuelle Informationen diese im Prompt bereitstellen oder Tools verwenden müssten.