Reflection: Beam 1.0 501B A23B

Reflektion: Beam 1.0 501B A23B är en textmodell från Reflection. Det är en öppen viktmodell för resonemang byggd för kodning och långsiktiga agentiska arbetsflöden, och den använder en gles mixture-of-experts-arkitektur med 501B totala parametrar och 23B aktiva parametrar per token. Leverantören släppte den 2026-10-16, och dess kunskapsavgränsning är 2026-06-30.

Modellen tar emot text och returnerar text. Dess kontextfönster är 1 048 576 tokens, och maximal utdata är 943 718 tokens, så den kan hålla mycket stora indata och producera mycket långa svar i en enda begäran. Resonemang är en del av modellens design: de stödda parametrarna inkluderar reasoning, reasoning_effort och include_reasoning, vilka låter dig styra om resonemang returneras och hur mycket ansträngning som läggs på det. Den stöder också verktygsanvändning genom tools och tool_choice, samt strukturerade utdata genom response_format och structured_outputs.

Dessa förmågor pekar mot några praktiska användningsområden. Långsiktiga agentiska arbetsflöden passar den stora kontexten och verktygsstödet, eftersom en agent kan bära med sig en lång historik av steg och anropa verktyg över många turer. Kodningsuppgifter passar resonemangsfokuset, oavsett om det innebär att arbeta igenom en stor kodbas i kontexten eller att generera och revidera kod över långa utdata. Parametrarna för strukturerade utdata och verktyg passar också pipelines som behöver maskinläsbara svar eller orkestrerade anrop till externa funktioner. Eftersom kontextfönstret är stort är uppgifter som att sammanfatta eller ställa frågor till långa dokument genomförbara utan chunkning, och det höga utdatataket hjälper när ett enda svar måste vara omfattande.

Du anropar modellen genom api14:s OpenAI-kompatibla API med modell-id:t "reflection/beam-1.0-501b-a23b". Begäransparametrarna den stöder är 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 och top_p. Samplingsbeteendet kan finjusteras med temperature, top_p, top_k och min_p, medan straff, seeds, stoppsekvenser och alternativ för loggsannolikhet täcker reproducerbarhet och formning av utdata.

Det är en textmodell, så den accepterar inte bild- eller ljudindata, och dess utdata är endast text. Om din uppgift är beroende av en annan modalitet skulle en annan modell passa bättre. Kunskapsavgränsningen på 2026-06-30 innebär också att allt efter det datumet ligger utanför dess träningsdata, så för mycket ny information skulle du behöva tillhandahålla den i prompten eller använda verktyg.