Reflection: Beam 1.0 501B A23B

Reflexión: Beam 1.0 501B A23B es un modelo de texto de Reflection. Es un modelo de razonamiento de pesos abiertos diseñado para programación y flujos de trabajo agénticos de horizonte largo, y utiliza una arquitectura de mezcla dispersa de expertos con 501B parámetros totales y 23B parámetros activos por token. El proveedor lo lanzó el 2026-10-16, y su fecha de corte de conocimiento es el 2026-06-30.

El modelo recibe texto y devuelve texto. Su ventana de contexto es de 1.048.576 tokens, y la salida máxima es de 943.718 tokens, por lo que puede contener entradas muy grandes y producir respuestas muy largas en una sola solicitud. El razonamiento es parte del diseño del modelo: los parámetros admitidos incluyen reasoning, reasoning_effort e include_reasoning, que permiten controlar si se devuelve el razonamiento y cuánto esfuerzo se dedica a él. También admite el uso de herramientas mediante tools y tool_choice, y salidas estructuradas mediante response_format y structured_outputs.

Esas capacidades apuntan a algunos usos prácticos. Los flujos de trabajo agénticos de horizonte largo encajan con el contexto grande y el soporte de herramientas, ya que un agente puede llevar un historial largo de pasos y llamar a herramientas a lo largo de muchos turnos. Las tareas de programación encajan con el enfoque en el razonamiento, ya sea trabajar con una base de código grande en contexto o generar y revisar código a lo largo de salidas largas. Los parámetros de salida estructurada y de herramientas también se adaptan a canalizaciones que necesitan respuestas legibles por máquina o llamadas orquestadas a funciones externas. Debido a que la ventana de contexto es grande, tareas como resumir o consultar documentos largos son viables sin fragmentación, y el alto límite de salida ayuda cuando una sola respuesta debe ser extensa.

Se llama al modelo a través de la API compatible con OpenAI de api14 usando el id de modelo "reflection/beam-1.0-501b-a23b". Los parámetros de solicitud que admite son 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 y top_p. El muestreo puede ajustarse con temperature, top_p, top_k y min_p, mientras que las penalizaciones, las semillas, las secuencias de parada y las opciones de probabilidad logarítmica cubren la reproducibilidad y la configuración de la salida.

Es un modelo solo de texto, por lo que no acepta entrada de imagen o audio, y su salida es solo texto. Si tu tarea depende de otra modalidad, un modelo diferente sería una mejor opción. La fecha de corte de conocimiento del 2026-06-30 también significa que cualquier cosa posterior a esa fecha queda fuera de sus datos de entrenamiento, por lo que para información muy reciente tendrías que proporcionarla en el prompt o usar herramientas.