2026年10月16日、Reflection AIは同社初のオープンソースモデルBeamの完全な重みをApache 2.0ライセンスでHugging Faceに公開し、詳細なアーキテクチャ説明、トークナイザー、リファレンス実装、およびDFlash2と呼ばれる投機的デコードコンポーネントを同時に公開した。総パラメータ数は501億（501B）で、スパース混合専門家（MoE）アーキテクチャを採用しており、各トークンの実際の活性化パラメータは23Bのみ、コンテキストウィンドウは1Mトークンで、プログラミングおよびエージェント（Agentic）ワークロード向けに位置づけられている。SiliconANGLEの報道によると、同モデルは10月5日にFortuneが公開情報として先行報道しており、16日になって一般向けのダウンロードが開放された。
今回の発表における核心的な数字は、501Bがストレージ規模を、23Bが推論コストをそれぞれ表している点にある。MoEアーキテクチャの設計思想は、大量のパラメータを数百の「専門家」サブネットワークに分散させ、推論時には各トークンがそのうちのごく一部だけを活性化することで、実際の計算量を20〜30B規模の密なモデルに近づけるというものだ。Beamはこの思想を活性化率4.6%という極めて低い水準まで推し進めており、501Bのパラメータのうち、1回のフォワードパスで使用されるのは約23Bのみとなっている。
アーキテクチャエンジニアリング：メモリの壁をどう突破したか
Beamのアーキテクチャ設計において、長文コンテキスト推論に最も直接的な影響を与えるトレードオフがある。モデルは合計52層のデコーダーで構成されており、前3層が全パラメータを使う密な層、残りの49層がMoE層となっている。MoE層は各層に256の専門家を持ち、1トークンあたり8つにルーティングされる。この49層のMoE層が全パラメータの98.4%を担っている。アテンション機構にはハイブリッド方式を採用しており、43層でスライディングウィンドウアテンション（ウィンドウサイズ512トークン、RoPE位置エンコーディング）を、9層でグローバルアテンション（位置エンコーディングなし）を使用している。
このハイブリッド設計は、定量化可能なメモリ削減効果をもたらす。Hugging Faceに公開されたアーキテクチャ説明によれば、BeamのKVキャッシュは1トークンあたり36 KiBしか増加しないのに対し、純粋なグローバルアテンション設計では208 KiB/トークンが必要となる。1Mトークンのコンテキストにおいて、BF16精度のKVキャッシュ占有量は約36.08 GiBであるのに対し、グローバル設計に切り替えると208 GiBにまで跳ね上がり、その差は約5.8倍にのぼる。
モデルは3種類の精度のチェックポイントを提供している。BF16版は約1TB、FP8およびNVFP4量子化版は約280GBで、後者はNVIDIA Blackwellアーキテクチャ（GB300シリーズ）向けに最適化されている。ReflectionはRustベースの専用推論フレームワークもオープンソースとして公開し、公開初日からtransformers・vLLM・SGLangの3つの主要推論ライブラリへのネイティブサポートと、教師あり微調整（SFT）および強化学習（RL）の学習スキームを提供した。
学習規模とベンチマーク数値
SiliconANGLEの報道によれば、Beamの事前学習フェーズにはNVIDIA GB300 NVL72 GPUを6,144基使用し、公開ウェブデータと商用ライセンスデータセットを含む23.8兆トークンのデータセット上で4週間未満にて完了した。強化学習フェーズはより大規模で、GB300 GPU 1万基を使用し、コード生成とツール呼び出しのサンドボックスを13億個構築して同じく4週間実施した。障害からの中央値復旧時間は8分で、人手による介入が必要なエラーは合計71件発生した。
Reflectionが自己報告したベンチマーク結果は以下の通りである。SWEBench Verified 80.9点、Terminal Bench v2.1 80.1点、SWE Bench Pro v2-Hard 77.2点、AIME 2026 97.8点、GPQA Diamond 90.5点、Humanity's Last Exam（ツールなし）36.2点。goldenera.siの評価分析によると、Reflectionの公式ブログとHugging Faceページに掲載された数値の一部は一致していない。同一のSWEBench Verifiedについて、ブログでは80.9、HFページでは81.6と記載されており、SWE Bench Pro v2-Hardはそれぞれ77.2と76.5となっている。Reflectionはこの差異について説明していない。
Reflectionは、Beamが推論ベンチマークにおいてZ.ai傘下の744Bパラメータモデル「GLM-5.2」と同等の水準に達しているが、必要な推論計算量は後者の4分の1から3分の1に過ぎないと述べている。Terminal-Bench v2.1では、GLM-5.2の報告スコアが81.0、Beamが80.1と約1ポイントの差があり、LongBench v2ではBeamが65.5でGLM-5.2の64.0をわずかに上回った。Reflectionの「効率優位性」という主張はオーダーの面では成立するが、「推論計算量をどう測定するか」という重要な方法論的詳細は公式声明で開示されていない。
各ユーザーにとっての意味
Apache 2.0ライセンスは今回の公開における商業的影響の核心である。商業利用に追加的な制限条項を設けているMeta LLaMAシリーズと比較して、Apache 2.0はいかなる組織も許可申請なしに重みの完全な使用・改変・再配布を認めており、商業製品への利用も含まれる。企業は自社ハードウェアまたはプライベートクラウドへのデプロイが可能で、データを自社インフラ内に保持できるため、データ主権に強い制約を持つ金融・医療・政府などの業界にとって特に重要となる。
独立開発者に対しては、ReflectionがBeamのためにHugging Faceエコシステム向けのインセンティブも設定している。Hub上で最優秀プロジェクト（デモ、量子化版、合成データセット、RL環境、またはベンチマークテスト）を構築したチームには、1万ドル相当のHubクレジットが付与される。
企業が採用を検討する際、現時点では2つの実際的なハードルを評価する必要がある。第一に、BF16フル精度版は約1TBあり、ロードするには少なくとも80GB VRAMのGPUが8基必要となる。FP8/NVFP4量子化版は約280GBに削減されてBlackwellハードウェアとの親和性が高まるが、他のGPU上での推論品質の低下については実測が必要だ。第二に、Reflectionが提供するRustフレームワークとday-0ライブラリサポートがエンジニアリングの導入コストを下げているものの、実際の本番レベルでの安定性は自社の負荷環境での検証が求められる。
競争上の位置づけ：米国オープンソースモデルの現在地
SiliconANGLEはBeamを「パフォーマンスで中国のオープンソースモデルに匹敵または凌駕する、米国スタートアップ初のオープンソースモデル」と位置づけている。この評価には背景がある。2025年から2026年上半期にかけて、GLMシリーズ（Z.ai）、Qwenシリーズ（Alibaba）、Kimi K3（Moonshot AI）が相次いでオープンソースモデル評価でトップの座を占める一方、米国側のオープンウェイトモデルはMetaのLLaMAシリーズとMistralが主体であり、最前線の規模での完全オープンソースの選択肢は比較的限られていた。
ただし、比較データはBeamの限界も明らかにしている。AA-LCR（エージェント長文コンテキスト推論）ベンチマークでは、Beamの報告スコアが79.3、Kimi K3が88.7と9ポイント以上の差がある。最難度のエージェントプログラミングタスクでは、BeamはKimi K3、GLM-5.3、DeepSeek V4.1 Flashに対して明確に劣後している。これが意味するのは、Beamのより正確な位置づけは「効率優先のエンジニアリングシナリオでGLM-5.2と同等」であって、現時点で最強のオープンソースモデル群に全面的に追いついたわけではないということだ。
Reflection AIは2024年3月に設立され、元Google DeepMind研究員のMisha Laskin（CEO）とIoannis Antonoglou（社長兼CTO）が共同創業した。直近のプレIPO評価額は約250億ドル、累計調達額は約47億ドルで、NVIDIAが重要な投資家となっている。arturmarkus.comの報道によれば、ReflectionはSpaceXと約63億ドル規模のGPUリース契約を締結し、学習用計算リソースに充てている。この資本規模がGB300 GPU 1万基・4週間の強化学習という学習スペックを支えているが、同時にReflectionはオープンソースコミュニティのエコシステム構築と今後の商業化によってバリュエーションの根拠を実証していく必要がある。
© 2026 Winzheng.com 赢政天下 | 转载请注明来源并附原文链接