Reflection AI lance Beam, un modèle ouvert de 501 milliards de paramètres face aux rivaux chinois

La startup basée à Brooklyn, Reflection AI, a publié Beam lundi 5 octobre.

TechCrunch rapporte que Reflection a confirmé une information d'Axios sur un lancement imminent. L'entreprise détaille l'architecture du modèle dans un article de blog et décrit Beam comme un modèle de mélange d'experts (MoE) uniquement textuel. Il compte 501 000 000 000 de paramètres au total, dont seulement 23 000 000 000 actifs à l'inférence. Le modèle a été pré-entraîné sur 23 800 000 000 000 de tokens et gère une fenêtre de contexte d'un million de tokens. À titre de comparaison, GLM-5.2 de Z.ai totalise environ 744 000 000 000 de paramètres, dont 40 000 000 000 actifs. Beam est donc nettement plus léger en paramètres actifs.

Reflection assure que Beam obtient des scores comparables à GLM-5.2 de Z.ai sur les benchmarks de raisonnement avancé.

La startup présente Beam comme un « modèle de travail » conçu pour les entreprises, le secteur public et les développeurs qui ont besoin de traiter de gros volumes sans payer le prix fort des API propriétaires.

La base technique de Beam repose largement sur l'apprentissage par renforcement (RL) à forte intensité de calcul. L'article de blog de Reflection indique que cette phase de RL a produit plus de 100 000 000 de rollouts. L'entraînement s'est déroulé sur 10 500 GPU NVIDIA GB300 pendant quatre semaines. L'entreprise souligne que cet investissement dans l'infrastructure RL permet à Beam d'atteindre des performances comparables à des modèles plus gros comme Qwen 3.8-Max sur le codage et les tâches agentiques, malgré un nombre de paramètres inférieur.

Beam passe actuellement les dernières phases de red-teaming et d'évaluation.

Cette sortie intervient alors que l'écart entre les capacités américaines et chinoises en IA se resserre. Bloomberg Intelligence rapportait dimanche 4 octobre que l'avance des États-Unis sur la Chine s'est réduite, les progrès de DeepSeek ramenant l'écart de performance à 3 pour cent seulement. Dans ce contexte, l'affirmation de Reflection d'une parité avec GLM-5.2 de Z.ai prend un relief particulier. Si elle se vérifie, Beam remettrait en cause l'idée que seuls les plus gros modèles chinois peuvent offrir un raisonnement de pointe à prix compétitif.

Reflection positionne Beam face aux laboratoires fermés comme Anthropic et OpenAI, mais aussi face aux modèles ouverts d'acteurs occidentaux comme Mistral et Meta. Son rival américain le plus direct semble être Inkling, le modèle ouvert du Thinking Machines Lab de Mira Murati, sorti en juillet. Selon les benchmarks internes de Reflection, Beam dépasse Inkling sur quatre tests de codage où les deux publient des résultats. Une différence de taille subsiste toutefois : Inkling est multimodal, Beam est uniquement textuel. Cette limite peut réduire l'intérêt de Beam dans les applications qui demandent du traitement d'images ou de vidéos, une fonction devenue courante dans les déploiements de pointe.

Les comparaisons de benchmarks dans le secteur de l'IA sont souvent contestées.

Le classement Veris AIsolutions, publié le 5 octobre, offre une vision contrastée des performances dans certains segments. Dans leur VAmoS Pro Bench consacré aux agents vocaux, Grok Voice arrive en tête avec un taux de réussite de 44,7 % sur les tâches, loin devant les autres modèles. Ce benchmark porte sur les interactions vocales, pas sur le raisonnement général ni sur le codage, ce qui illustre la fragmentation des mesures de performance. Un modèle excellent en raisonnement textuel n'est pas forcément le meilleur dans les workflows agentiques ou vocaux, ce qui complique les comparaisons directes entre des sorties comme Beam et les leaders du marché.

Le nouveau ReviewBench de GitHub, également publié le 5 octobre, apporte un autre éclairage sur les capacités de revue de code. Le benchmark a analysé plus de 100 000 000 de pull requests réelles pour modéliser la distribution des charges de revue de code. Il comprend 219 pull requests publiques dans 19 langages. GitHub indique que son évaluation hors ligne de la revue de code Copilot anticipe mieux les orientations des expérimentations en production grâce à ce nouvel outil. Reflection affirme que Beam est solide en codage, mais faute de vérification indépendante sur des benchmarks standardisés et publics comme ReviewBench, la pleine mesure de ses capacités de codage reste floue.

Reflection a été fondée en 2024 par deux anciens chercheurs de Google DeepMind.

D'après les données de PitchBook citées par TechCrunch, la startup a levé environ 4 700 000 000 de dollars auprès d'investisseurs dont Nvidia, Sequoia Capital et Lightspeed Venture Partners. Son dernier tour valorisait l'entreprise à 25 000 000 000 de dollars avant levée. Ce capital est indispensable pour sécuriser les ressources de calcul nécessaires à l'entraînement de modèles de pointe. Le secteur s'accorde à dire que l'accès au calcul est un ingrédient clé pour attirer les clients des modèles fermés et des alternatives ouvertes moins chères des laboratoires chinois.

Cet été, Reflection a signé des accords de plus de 7 000 000 000 de dollars avec SpaceX et Nebius. Ces contrats garantissent l'accès aux puces GB300 de Nvidia jusqu'en 2029. Cette dépendance au matériel Nvidia est à double tranchant : elle assure des performances de premier ordre, mais lie étroitement la feuille de route de l'entreprise à son plus gros investisseur. Jensen Huang, PDG de Nvidia, défend depuis longtemps l'idée d'« usine à IA », une vision qui profite à Nvidia puisque ses GPU font tourner ces systèmes. Reflection veut vendre ces « usines à IA » aux entreprises et aux États souverains, pour que les institutions bâtissent des systèmes d'IA locaux et personnalisés en entraînant les modèles de Reflection sur leurs propres données.

Axios rapporte que des fonds spéculatifs et des sociétés de trading figurent parmi les candidats à ce type de systèmes.

Le modèle de l'« usine à IA » propose une valeur différente des services API classiques. En permettant un entraînement local sur des données privées, Reflection répond aux exigences de souveraineté des données qui comptent le plus pour les institutions financières et les agences gouvernementales. Ce virage stratégique suggère que l'objectif à long terme de Reflection n'est pas seulement de publier des modèles compétitifs, mais d'installer une couche d'infrastructure pour le déploiement privé de l'IA.

La sortie de Beam tombe en même temps que d'autres développements notables de l'écosystème. Le 5 octobre, Liquid AI a présenté d1, un modèle de décision qui traite le texte et les images. Liquid AI affirme que d1 égale ou dépasse GPT-6.1 Sol sur quatre applications réelles sur six, pour un coût 19 à 200 fois inférieur. Cette stratégie tarifaire agressive de la part d'acteurs plus petits met la pression sur les modèles de pointe pour justifier leurs coûts de calcul. GitHub a de son côté publié ReviewBench le même jour, signe d'une poussée vers des méthodes d'évaluation plus rigoureuses et standardisées.

L'arrivée de Reflection sur ce marché ajoute à la complexité du secteur. L'entreprise doit prouver que ses gains d'efficacité se traduisent par de vraies économies pour les entreprises. Si Beam tient sa promesse de performances de pointe pour une fraction du coût, il pourrait bousculer les grilles tarifaires des concurrents fermés comme ouverts. Sans vérification indépendante, le secteur reste sceptique. Les prochaines semaines seront décisives, avec la publication des poids et les benchmarks de tiers. Pour l'instant, Reflection place la barre haut pour le secteur ouvert occidental, défie les leaders chinois et ouvre une nouvelle phase dans la course mondiale à l'IA.