Reflection: Beam 1.0 501B A23B

Refleksja: Beam 1.0 501B A23B to model tekstowy od Reflection. To model rozumowania o otwartych wagach, zbudowany do kodowania i długoterminowych przepływów pracy agentów, wykorzystujący rzadką architekturę mieszanki ekspertów z 501B parametrów całkowitych i 23B aktywnych parametrów na token. Dostawca udostępnił go 2026-10-16, a jego data odcięcia wiedzy to 2026-06-30.

Model przyjmuje tekst i zwraca tekst. Jego okno kontekstowe wynosi 1,048,576 tokenów, a maksymalne wyjście to 943,718 tokenów, więc może pomieścić bardzo duże dane wejściowe i wygenerować bardzo długie odpowiedzi w jednym żądaniu. Rozumowanie jest częścią projektu modelu: obsługiwane parametry obejmują reasoning, reasoning_effort i include_reasoning, które pozwalają kontrolować, czy rozumowanie jest zwracane i ile wysiłku się na nie przeznacza. Obsługuje również użycie narzędzi poprzez tools i tool_choice oraz ustrukturyzowane wyjścia poprzez response_format i structured_outputs.

Te możliwości wskazują na kilka praktycznych zastosowań. Długoterminowe przepływy pracy agentów pasują do dużego kontekstu i obsługi narzędzi, ponieważ agent może prowadzić długą historię kroków i wywoływać narzędzia przez wiele tur. Zadania kodowania pasują do nacisku na rozumowanie, niezależnie od tego, czy oznacza to pracę nad dużym zbiorem kodu w kontekście, czy generowanie i poprawianie kodu w długich wyjściach. Parametry ustrukturyzowanego wyjścia i narzędzi pasują również do potoków, które potrzebują odpowiedzi czytelnych maszynowo lub zorganizowanych wywołań funkcji zewnętrznych. Ponieważ okno kontekstowe jest duże, zadania takie jak streszczanie lub odpytywanie długich dokumentów są wykonalne bez dzielenia na fragmenty, a wysoki limit wyjścia pomaga, gdy pojedyncza odpowiedź musi być obszerna.

Model wywołujesz przez API zgodne z OpenAI od api14, używając identyfikatora modelu "reflection/beam-1.0-501b-a23b". Obsługiwane parametry żądania to 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 i top_p. Próbkowanie można dostroić za pomocą temperature, top_p, top_k i min_p, natomiast kary, ziarna, sekwencje stop i opcje logarytmu prawdopodobieństwa obejmują odtwarzalność i kształtowanie wyjścia.

To model wyłącznie tekstowy, więc nie przyjmuje danych wejściowych w postaci obrazu ani dźwięku, a jego wyjście jest wyłącznie tekstowe. Jeśli Twoje zadanie zależy od innego modalności, lepszym wyborem byłby inny model. Data odcięcia wiedzy 2026-06-30 oznacza również, że wszystko po tej dacie znajduje się poza jego danymi treningowymi, więc w przypadku bardzo świeżych informacji musiałbyś dostarczyć je w podpowiedzi lub użyć narzędzi.