Beam od Reflection wchodzi do wyścigu modeli z otwartymi wagami, ale w dossier nie ma premiery modelu wideo

Najnowsza publikacja w dossier nie jest generatorem wideo. Wpis na blogu Reflection z 5 października opisuje Beam jako pierwszy model firmy z otwartymi wagami: rzadką architekturę mieszanki ekspertów o 501 mld parametrów łącznie i 23 mld aktywnych, trenowaną do kodowania, rozumowania i zadań agentowych.

Wag jeszcze nie ma. Reflection podaje, że Beam przechodzi właśnie końcowe testy red team i oceny, a wagi, raport techniczny, kartę modelu i artefakty dla deweloperów pokaże później w październiku. Ta luka ma znaczenie dla każdego, kto szuka w tym tygodniu premiery modelu do generowania wideo. W dossier nie ma żadnej datowanej zapowiedzi nowego modelu text-to-video ani image-to-video z ostatnich trzech dni. Materiały o generowaniu wideo, które w nim są, są starsze: artykuł na arXiv o optycznym wykrywaniu deepfake’ów przesłany w maju, pozycja o Kuaishou z 29 września tylko na liście nagłówków oraz zestaw niedatowanych wpisów produktowych albo takich spoza okna czasowego. Żaden z nich nie jest świeżą premierą.

Dossier zawiera za to grupę premier modeli i narzędzi agentowych z 5 października. Większość jest mała, tania i specjalistyczna. Liquid AI pokazało d1, model decyzyjny, który obsługuje tekst i obrazy oraz zwraca prawdopodobieństwa zamiast generować tokeny. Interfaze opublikowało model z otwartymi wagami zbudowany z rdzenia rozumującego i komponentów specjalistycznych. GitHub zapełnił się zaś agentami do kodowania, które obudowują istniejący model, zamiast go zastępować.

Modele decyzyjne, nie modele wideo

d1 od Liquid AI jest najczystszym przykładem tego trendu. Firma podaje, że decyzja na tekście zajmuje 200–300 ms, bo model czyta wejście w jednym przebiegu w przód i zwraca prawdopodobieństwa, nie generując tokenów. Liquid przetestowało d1 na tle GPT-6.1 Sol i Claude Opus 5.5 na sześciu zastosowaniach, od filtrowania zgłoszeń do pomocy technicznej po kontrolę płytek drukowanych, i twierdzi, że d1 dorównuje GPT-6.1 Sol lub go przewyższa w czterech z nich, kosztując od 19 do 200 razy mniej.

To liczby samego Liquid AI, opublikowane we wpisie premierowym. Ciekawsze jest twierdzenie o wizji. Liquid podaje, że d1 nigdy nie trenowano do kontroli przemysłowej, a mimo to sortowało dobre i wadliwe części z dokładnością od 85 do 97% na publicznym zbiorze VisA, na przykład płytek drukowanych, świec, nerkowców i gumy do żucia. Firma raportuje też, że dodanie ekranu podniosło wynik w Tetrisie z 70 do 81 wyczyszczonych linii, a 12 z 12 gier w Wordle model rozwiązał średnio w 3,8 próby. Niezależnego potwierdzenia w dossier nie ma, więc te liczby trzeba traktować jako dane od producenta.

Premiera Interfaze idzie inną drogą do tego samego argumentu o kosztach. Według karty modelu Interfaze 1.1 Lite to połączenie architektur: jeden rdzeń rozumowania językowo-wizyjnego, który planuje i składa odpowiedzi, plus specjaliści od czytania dokumentów, geometrii linii, układu strony, mowy, diaryzacji mówców, segmentacji, prognozowania szeregów czasowych i klasyfikacji bezpieczeństwa. Całość działa na jednym GPU z 80 GB pamięci, bez zewnętrznych usług, podaje firma.

Jej tabela testów porównawczych daje modelowi 85,9 pkt na GPQA Diamond, 87,8 na MMMLU, 73,2 na MMMU-Pro i 83,8 na olmOCR-Bench, przy 92,4, 90,9, 71,1 i 85,7 pkt dla własnej wartości porównawczej Interfaze dla GPT-5.4-Mini. Interfaze wymienia też 95-minutowe nagranie przepisane w około 90 s oraz wyjście strukturalne ograniczone do dostarczonego schematu JSON. To znowu liczby wydawcy.

Agenci, którzy omijają duży model

Premiery agentów do kodowania z 5 października dotyczą wyciśnięcia więcej z modeli, które już istnieją. Jeff-Code, fork agenta Pi Mario Zechnera, wstawia w pętlę wokół Qwen 3.8-27B (27 mld parametrów) model decyzyjny Jeff o 0,8 mld parametrów. Jeff wykonuje dwa zapytania po około 0,2 s: czy może sam zrobić następny krok i czy Qwen musi się w tej turze mocno zastanowić. Pisanie i edycja plików zostają przy Qwen.

Ewaluacja w repozytorium podaje 62,4% skuteczności dla Jeff-Code przy 62,8% dla samego Qwen, czyli różnicę w parach minus 0,2 pkt, z przedziałem 95% od minus 2,6 do plus 2,1 pkt na 1 242 sparowanych zadaniach. Czas na zadanie wyniósł średnio 0,68×, mediana 0,70×. Łączny czas wszystkich zadań spadł mniej, do 0,86×, bo w około 5% zadań Jeff-Code działa ponad 30 minut dłużej niż samo Qwen. Autor raportuje też, że wyłączenie myślenia w każdej turze jest jeszcze szybsze, ale kosztuje 7,6 punktu.

Reika stawia na odwrotny zakład: to CLI agenta do kodowania projektowane najpierw pod małe modele lokalne, w zakresie od 8 000 000 000 do 35 000 000 000 parametrów, często przy kwantyzacji od Q2 do Q4 i oknie kontekstu 32 000 tokenów. Opublikowane wnioski są nietypowo szczere. Jedno przepisanie w środku kontekstu przetworzyło ponownie 8 453 tokeny promptu, co autor mierzy jako 7,9 minuty prefillu, podczas gdy dopisanie w tej samej sesji kosztowało 25 tokenów i 3,5 sekundy. Narzędzie jest przed wersją 1.0, a autor ostrzega, że polecenia i zachowanie mogą się zmieniać między wydaniami.

Zarządzanie kontekstem w samym narzędziu kosztowało więcej niż model.

Żaden z tych projektów nie jest premierą modelu z czołówki i żaden tego nie twierdzi. To dowód, gdzie idzie spora część pracy inżynierskiej: nie w większe generatory, ale w tańsze kierowanie ruchem, mniejsze warstwy decyzyjne i ciaśniejsze zarządzanie kontekstem wokół modeli, które już działają.

Infrastruktura i starsze materiały

Obraz dopełniają dwie inne pozycje z 5 października. Windows Developer Blog Microsoftu, we wpisie z 29 września, który w dossier wypłynął 5 października, podaje, że kontenery WSL są już ogólnie dostępne, z CLI wslc.exe, interfejsem API kontenerów dla natywnych aplikacji Windows oraz rozszerzeniem zasięgu Intune i Defender for Endpoint na przepływy pracy z kontenerami. Osobno linker mold wydał 5 października wersję 3.0.0, przepisaną z C++ na Rust, a projekt twierdzi, że zgodność sprawdził, budując wszystkie pakiety Gentoo i nie znajdując regresji.

Materiały o generowaniu wideo w dossier są cienkie i w większości nieaktualne. Artykuł Parnian Ghapandar Kashani, Shiqi Chen i Aydogana Ozcana, przesłany 19 maja i opublikowany w eLight, opisuje hybrydowy optyczno-cyfrowy detektor deepfake'ów, który przetworzył 15 lub więcej strumieni wideo w jednym przebiegu optycznym, osiągając 97,79% średniej dokładności na Celeb-DF. To detekcja, nie generowanie. Blok najnowszych nagłówków wspomina, że wydzielony z Kuaishou Kling pokazał nowy model 29 września, ale dossier daje tylko nagłówek, bez liczb i bez komunikatu firmy, na których można by się oprzeć.

Beam od Reflection to największa zapowiedź modelu w dossier, a jego tabela testów jest najbardziej szczegółowa. Na SWE Bench Pro v2-Hard podaje 77,2 przy 84,3 dla GLM 5.3 i 88,2 dla Kimi K3. Na Terminal Bench v2.1 podaje 80,1 przy 88,2 i 88,3. Na AIME 2026 podaje 97,8, tuż poniżej GLM 5.2 z 99,2. Reflection twierdzi, że Beam jest konkurencyjny wobec większych modeli otwartych i zbliża się do Qwen 3.8-Max w zadaniach kodowania i agentowych, a jego przewagą jest efektywność wnioskowania: porównywalne wyniki rozumowania co GLM-5.2 przy 3 do 4 razy mniejszych nakładach obliczeniowych na wnioskowanie.

Liczby treningowe są konkretne: 23 800 000 000 000 tokenów danych pretreningowych oraz przebieg uczenia ze wzmocnieniem, który wygenerował ponad 100 000 000 rollouts na 10 500 GPU NVIDIA GB300 w ciągu czterech tygodni. Reflection zapowiada wagi w tym miesiącu. Dopóki ich nie ma, każda liczba dotycząca Beama jest twierdzeniem firmy, która go zbudowała, i tak samo jest z d1, Interfaze i testami agentów powyżej.

Czytelnik szukający w tym tygodniu premiery modelu do generowania wideo dostanie uczciwą odpowiedź: w dossier jej nie ma. Najbliższe datowane pozycje są starsze albo istnieją tylko w nagłówkach. Najświeższe i najlepiej udokumentowane wieści z 5 października dotyczą modeli, które decydują, kierują ruchem i przepisują mowę, a nie takich, które renderują ruch.