Reflection: Beam 1.0 501B A23B

Riflessione: Beam 1.0 501B A23B è un modello di testo di Reflection. È un modello di ragionamento a pesi aperti costruito per la programmazione e flussi di lavoro agentici a lungo orizzonte, e utilizza un'architettura sparse mixture-of-experts con 501B parametri totali e 23B parametri attivi per token. Il fornitore lo ha rilasciato il 2026-10-16, e il suo knowledge cutoff è il 2026-06-30.

Il modello accetta testo in input e restituisce testo in output. La sua finestra di contesto è di 1.048.576 token, e l'output massimo è di 943.718 token, quindi può contenere input molto grandi e produrre risposte molto lunghe in una singola richiesta. Il ragionamento fa parte del design del modello: i parametri supportati includono reasoning, reasoning_effort e include_reasoning, che consentono di controllare se il ragionamento viene restituito e quanto sforzo viene impiegato. Supporta anche l'uso di strumenti tramite tools e tool_choice, e output strutturati tramite response_format e structured_outputs.

Queste capacità indicano alcuni usi pratici. I flussi di lavoro agentici a lungo orizzonte si adattano al contesto ampio e al supporto degli strumenti, poiché un agente può portare con sé una lunga cronologia di passaggi e chiamare strumenti attraverso molti turni. I compiti di programmazione si adattano all'attenzione al ragionamento, sia che si tratti di lavorare su una grande base di codice nel contesto sia di generare e rivedere codice su output lunghi. I parametri per output strutturati e strumenti si adattano anche a pipeline che richiedono risposte leggibili dalla macchina o chiamate orchestrate a funzioni esterne. Poiché la finestra di contesto è ampia, compiti come riassumere o interrogare documenti lunghi sono praticabili senza suddivisione in blocchi, e il limite elevato di output aiuta quando una singola risposta deve essere estesa.

Si chiama il modello tramite l'API compatibile con OpenAI di api14 usando l'id del modello "reflection/beam-1.0-501b-a23b". I parametri di richiesta supportati sono 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 e top_p. Il campionamento può essere regolato con temperature, top_p, top_k e min_p, mentre penalità, seed, sequenze di stop e opzioni di probabilità logaritmica coprono la riproducibilità e la modellazione dell'output.

È un modello solo testo, quindi non accetta input di immagini o audio, e il suo output è solo testo. Se il tuo compito dipende da un'altra modalità, un modello diverso sarebbe più adatto. Il knowledge cutoff del 2026-06-30 significa anche che qualsiasi cosa successiva a quella data è al di fuori dei suoi dati di addestramento, quindi per informazioni molto recenti dovresti fornirle nel prompt o usare strumenti.