Reflection Beam : 501 milliards de paramètres annoncés, les poids pas encore publiés

La note de blog est parue le 5 octobre, et elle est claire sur un point : Beam n'est pas terminé. « Beam est en phase finale de red-teaming et d'évaluations », écrit l'entreprise. Les poids, le rapport technique, la fiche modèle et les artefacts pour développeurs sont promis « plus tard ce mois-ci ». L'accès anticipé passe par un formulaire d'inscription.

Ce que Reflection a publié, c'est une fiche de spécifications et un tableau de scores de benchmarks réalisés en interne. La distinction compte pour quiconque prévoit d'évaluer le modèle sur ses propres charges de travail. Rien dans la note n'indique quand des tests indépendants existeront.

L'architecture est un mélange d'experts clairsemé : 501 milliards de paramètres au total, 23 milliards actifs par token, préentraîné sur 23 800 000 000 000 tokens que Reflection décrit comme des données web plus des jeux de données sous licence propriétaires. L'étape d'apprentissage par renforcement a tourné sur 100 000 000 rollouts avec 10 500 GPU NVIDIA GB300, sur quatre semaines d'entraînement. Ce sont les chiffres de l'entreprise. C'est aussi le genre de nombre qu'un tiers a du mal à vérifier.

L'argument d'efficacité est le cœur du discours

Reflection présente Beam comme un modèle de travail plutôt qu'un leader de frontière. Sur son propre tableau, Beam obtient 80,9 sur SWE-bench Verified, contre 77,6 pour Inkling et 70,7 pour Nemotron 3 Ultra. Sur Terminal Bench v2.1, il annonce 80,1, derrière GLM 5.3 à 88,2, Kimi K3 à 88,3 et Qwen 3.8 Max à 86,6.

L'entreprise reconnaît l'écart de capacité sans détour. « Là où des modèles ouverts de frontière comme Kimi K3 restent devant en capacité brute, l'avantage de Beam est l'efficacité au moment de l'inférence », dit la note. Elle revendique des scores comparables à GLM 5.2 sur les benchmarks de raisonnement avancé tout en utilisant 3 à 4 fois moins de calcul d'inférence. L'écart se creuse face aux modèles de la famille des 2 000 000 000 000 paramètres et plus, comme Qwen 3.8 Max.

Si cela se vérifie, le calcul change pour les équipes qui font tourner des agents de code à grande échelle. C'est le coût d'inférence, pas le rang au benchmark, qui décide si un agent s'exécute sur chaque pull request ou seulement sur celles qu'un humain signale. Cela met aussi la pression sur les laboratoires chinois de modèles à poids ouverts, qui ont mené sur le prix par token. Restent inconnus la licence, le format des poids, et la question de savoir si l'argument d'efficacité survit à un harnais tiers. Rien de tout cela n'apparaît dans la note.

Les benchmarks ont leur propre actualité cette semaine

Le calendrier tombe mal, et c'est utile. Le même jour, GitHub a publié ReviewBench, un benchmark ouvert pour la revue de code par IA, construit à partir d'une analyse de 103 900 000 pull requests sur la plateforme. Le jeu de données contient 219 pull requests issues de 187 dépôts open source publics dans 19 langages, avec des distributions de langages et de tailles de dépôts alignées sur l'ensemble de GitHub. GitHub indique que des ingénieurs seniors ont étiqueté indépendamment les vrais positifs de référence avant la publication. La taille des pull requests a été volontairement pondérée vers « le milieu et la queue de ce qui est relisible » plutôt que vers une reproduction exacte de la plateforme.

GitHub ajoute que le benchmark a amélioré sa capacité à prédire si des changements apportés à la revue de code de Copilot aideraient en production. C'est là que ça devient intéressant : un benchmark utilisé en interne comme filtre avant livraison, pas comme classement.

Des équipes plus petites défendent la même idée par l'autre bout. Une publication de développement pour Jeff-Code, datée du 5 octobre, place un modèle de décision de 800 000 000 paramètres dans la boucle de l'agent de code Pi, aux côtés de Qwen 3.8-27B. Sur 1 242 tâches appariées, elle annonce un taux de réussite de 62,4 % contre 62,8 % pour Qwen seul, soit une différence appariée de moins 0,2 point avec un intervalle à 95 % de moins 2,6 à plus 2,1. Le temps moyen par tâche tombe à 0,68 fois la référence. Le projet précise que l'accélération n'est pas uniforme : il rapporte 0,96 fois sur Terminal-Bench 2.0 et 0,91 fois sur SkillsBench, donc aucun gain net sur l'un comme sur l'autre.

Ce genre de divulgation est plus rare qu'il ne devrait l'être. Elle rend aussi l'affirmation globale plus crédible qu'un seul pourcentage en titre.

Modèles de décision, vision et la poussée des petits modèles

Liquid AI a profité du 5 octobre pour lancer d1, qu'elle présente comme son premier modèle de décision et le premier à traiter des images en plus du texte. Les modèles de décision renvoient des probabilités pour un ensemble de questions en une seule passe avant, au lieu de générer des tokens. Liquid annonce qu'une décision textuelle prend 200 à 300 ms, que d1 égale ou dépasse GPT-6.1 Sol sur quatre des six applications testées, et qu'il coûte 19 à 200 fois moins cher que ce modèle comme que Claude Opus 5.5.

L'entreprise rapporte une précision de 85 à 97 % pour trier les pièces bonnes et défectueuses dans une démonstration d'inspection industrielle sur le jeu de données public VisA, et affirme que le modèle n'a jamais été entraîné pour cette tâche. Elle indique aussi avoir supprimé 52 % des tokens dans un test de compactage de contexte d'agent de code tout en conservant chaque sortie nécessaire à la tâche. Ce sont des chiffres de l'éditeur, produits par l'éditeur, et il faut les lire comme tels.

La même prudence vaut pour Interfaze 1.1 Lite, un modèle à poids ouverts à mélange d'architectures mis en ligne sur Hugging Face le 5 octobre. Il associe un cœur de raisonnement à des modèles spécialisés pour les documents, la parole, la segmentation et la prévision, et les auteurs affirment que l'ensemble tourne sur un seul GPU de 80 Go sans service externe. Leur tableau comparatif publié le place à 73,2 sur MMMU-Pro contre 71,1 pour Interfaze et 40,4 pour GPT-5.4-Mini, et à un taux d'erreur de mots de 3,01 sur VoxPopuli-Cleaned contre 2,4 pour Interfaze. Des résultats mitigés sur la grille de l'éditeur lui-même.

Dans le même groupe, Veris a publié le 5 octobre un classement d'agents vocaux construit à partir de 2 694 appels simulés au service client d'un fournisseur d'électricité. Il en ressort qu'une télévision allumée derrière l'appelant fait chuter l'achèvement des tâches, toutes conditions confondues, de 38,7 % à 8,6 %, et que neuf des quatorze piles vocales ont achevé moins de 5 % de ces appels. En tête, Phonic achève 57,5 % des tâches avec une latence de 1,42 seconde. Un seul examen, les politiques d'un seul fournisseur, comme le note Veris lui-même.

Pourquoi l'absence des poids compte

L'affirmation de Reflection est la plus lourde de conséquences du lot, parce qu'elle porte sur le coût à grande échelle. C'est aussi la seule que personne en dehors de l'entreprise ne peut tester pour l'instant. La société a annoncé que les artefacts arriveraient ce mois-ci. D'ici là, Beam est une promesse avec un nombre de paramètres accroché.

Le reste des sorties du jour va dans la même direction : des modèles plus petits, des modèles spécialisés, et des harnais qui décident quand un grand modèle a besoin de réfléchir. C'est une voie moins chère qu'un autre millier de milliards de paramètres. Elle est aussi plus difficile à évaluer, et c'est pourquoi les jeux de données ouverts publiés en parallèle pourraient finir par compter davantage que les modèles.