Beam 1.0: 세 정밀도 가중치 공개, Apache 2.0 기반 자체 호스팅

1. 공개 범위와 모델 규모

[2026년 10월 16일 공개 발표](https://reflection.ai/blog/beam-is-available)에 따르면 Beam 1.0의 가중치는 Apache 2.0 라이선스로 제공된다. [모델 카드](https://huggingface.co/reflection/Beam-1.0-501B-A23B#usage)는 상업·연구 용도를 명시하며, 추가 학습이나 모델 출력으로 다른 모델을 학습하는 일을 금지하지 않는다고 설명한다.

수치를 16비트로 표현하는 형식인 BF16 가중치를 포함한 이번 공개 모델은 지시를 따르도록 학습한 텍스트 입출력 모델이다. 주로 영어 사용을 목표로 개발됐다.

함께 공개한 FP8과 NVFP4는 수치를 더 적은 비트로 표현하는 형식이다. 적은 비트의 형식은 메모리 부담을 줄이는 선택지다.

리플렉션은 다음 토큰을 미리 제안해 생성을 앞당기는 보조 모델도 함께 배포한다고 밝혔다. 토큰은 모델이 텍스트를 나눠 처리하는 단위다.

모델이 학습한 수치인 [파라미터는 전체 5013억 개지만 한 번의 계산에 활성화되는 것은 234억 개](https://huggingface.co/reflection/Beam-1.0-501B-A23B#model-overview)다. 이는 여러 전문가 모듈 중 일부를 골라 쓰는 희소 혼합 전문가 구조 덕분이며, 계산에 참여하는 양이 전체 가중치 규모와 같지는 않다는 뜻이다.

문맥 길이는 한 번에 처리할 수 있는 텍스트 범위로, 이 모델은 [100만 토큰을 지원한다](https://huggingface.co/reflection/Beam-1.0-501B-A23B#model-overview).

2. 자체 호스팅으로 옮겨가는 책임

리플렉션은 [공개 첫날부터 vLLM과 SGLang 등 기존 추론 도구에서 지원한다고 밝혔다](https://reflection.ai/blog/beam-is-available). 협력사와 실행 설정 및 연산을 합쳐 처리하는 커널을 최적화해 메모리 요구량을 줄이고 생성 속도를 높였다는 설명이다.

개발자는 가중치를 내려받아 자체 호스팅하거나 제공사의 호스팅 서비스를 이용할 수 있다.

[터미널용 작업 도구인 Mirror CLI](https://reflection.ai/blog/beam-is-available)에서는 연결할 모델이나 접속 지점을 바꾸고, 도구 호출을 승인하며 작업을 지켜볼 수 있다.

자체 호스팅의 이익은 배포 환경과 맞춤 학습을 직접 통제할 수 있다는 점이다. 대신 모델 실행과 평가, 안전 점검을 운영팀이 맡아야 한다. [모델 카드](https://huggingface.co/reflection/Beam-1.0-501B-A23B#usage)도 개인정보와 수출 규정 등 관련 법적 요건을 확인하라고 안내한다.

3. 정밀도별 점수는 같은 시험 안에서 읽어야 한다

[모델 카드의 평가](https://huggingface.co/reflection/Beam-1.0-501B-A23B#benchmark-results)는 모두 지시 학습 모델을 대상으로 했다. 생성의 무작위성을 조절하는 온도는 0.7, 다음 토큰 후보를 좁히는 누적 확률 기준은 0.99로 설정했다.

두 자료에는 배포에 필요한 최소 하드웨어와 정밀도별 메모리 용량이 제시되지 않았다. 벤치마크를 실행한 하드웨어와 구체적인 실행 구성도 공개되지 않았다.

터미널 작업 평가인 [Terminal Bench v2.1에서 BF16의 점수는 80.1%](https://huggingface.co/reflection/Beam-1.0-501B-A23B#benchmark-results)였다. 아래의 저정밀도 결과를 읽을 때 기준이 되는 같은 시험의 값이다.

동일한 시험에서 [FP8은 78.9%, NVFP4는 78.4%](https://huggingface.co/reflection/Beam-1.0-501B-A23B#benchmark-results)로, BF16보다 각각 1.2%포인트와 1.7%포인트 낮았다.

반면 실제 저장소의 문제 해결을 다루는 소프트웨어 공학 평가인 [SWE Bench Pro v2-Hard에서는 BF16이 76.5%, FP8이 78.4%, NVFP4가 78.6%](https://huggingface.co/reflection/Beam-1.0-501B-A23B#benchmark-results)로 저정밀도 점수가 더 높았다. 정밀도에 따른 점수의 높낮이는 과제별로 달라지므로, 도입팀은 한 시험의 결과를 모든 업무에 일반화하지 말고 실제 업무에서 품질과 자원 사용량을 함께 확인해야 한다.

이 점수는 처리 속도나 운영비를 측정한 값이 아니다. 모델 카드가 주장하는 추론 토큰 절감 효과는 비교 대상과 측정 조건이 제시되지 않아, 여기서 자체 호스팅 비용의 근거로 삼지 않는다.

4. 맞춤 학습과 안전 평가는 별도 작업이다

리플렉션은 대규모 강화학습(결과에 대한 보상을 바탕으로 행동을 조정하는 학습)을 포함한 [추가 학습 절차와 연동 도구를 제공한다고 밝혔다](https://reflection.ai/blog/beam-is-available). 다만 업무 실행 기록 중 검증된 기록으로 작은 추가 학습 모듈을 훈련하고 반복하는 [자체 증류 절차는 발표 당시 향후 며칠 안에 공개할 계획이었다](https://reflection.ai/blog/beam-is-available). 공개된 가중치와 앞으로 나올 학습 절차를 구분해야 한다.

자체 안전 평가에서 모든 유해 범주를 합친 결과, [BF16의 유해 요청 거절·전환 비율은 88.9%, 무해 요청 준수 비율은 81.5%](https://huggingface.co/reflection/Beam-1.0-501B-A23B#safety--alignment)였다. 이는 해당 평가에서의 응답 행동을 보여주는 수치로, 배포 환경의 안전 보증으로 읽어서는 안 된다.

Beam의 가중치 공개는 배포 통제권을 넓히지만, 정밀도 선택과 실제 업무의 품질·안전 검증까지 대신해 주지는 않는다.