Beam؛ مدل رایگان و متن‌باز ۵۰۱ میلیارد پارامتری نئولب Reflection AI منتشر شد

این مدل با معماری «تنکِ آمیخته متخصصان» (Sparse Mixture of Experts)، در مجموع ۵۰۱ میلیارد پارامتر دارد که در هر مرحله ۲۳ میلیارد پارامتر آن فعال هستند. Beam با تمرکز بر برنامه‌نویسی، استدلال و وظایف عامل‌محور توسعه یافته است؛ حوزه‌هایی که در آن‌ها مدل باید بتواند مسائل پیچیده را حل کند، از ابزارها استفاده کند و تعاملات چندمرحله‌ای را پیش ببرد.

روند توسعه

توسعه Beam بر دو محور اصلی استوار بوده است

1. پیش‌آموزش گسترده برای ساخت یک مدل پایه قدرتمند
2. یادگیری تقویتی (Reinforcement Learning) در مقیاس محاسباتی بالا برای ارتقای توانایی‌های استدلالی و عامل‌محور.

این رویکرد به Reflection امکان داده است مدلی ارائه کند که در کنار عملکرد رقابتی با مدل‌های بزرگ متن‌باز، از نظر هزینه محاسبات استنتاج نیز کارآمد باشد.

Beam با استفاده از ۲۳٫۸ تریلیون توکن متنوع و باکیفیت آموزش دیده است. این داده‌ها از وب، منابع عمومی و مجموعه‌داده‌های اختصاصی دارای مجوز گردآوری شده‌اند. در مرحله یادگیری تقویتی نیز بیش از ۱۰۰ میلیون اجرای آزمایشی (Rollout) با استفاده از ۱۰ هزار و ۵۰۰ پردازنده گرافیکی NVIDIA GB300 طی چهار هفته انجام شده است.

Reflection علاوه بر وزن‌های مدل، زیرساخت‌های آموزش، محیط‌های ارزیابی، ابزارهای توسعه و مجموعه‌ای از یکپارچه‌سازی‌ها را نیز ارائه کرده است تا توسعه‌دهندگان بتوانند Beam را در محیط‌های شخصی، سازمانی و سامانه‌های عامل‌محور به کار بگیرند.

عملکرد مدل؛ ترکیب توانایی با کارایی محاسباتی

نئولب Reflection، مدل Beam را با تمرکز ویژه بر برنامه‌نویسی و عملکرد عامل‌محور آموزش داده است. به گفته این شرکت، Beam مرز عملکرد مدل‌های متن‌باز غربی را ارتقا می‌دهد و در وظایف برنامه‌نویسی و عامل‌محور با مدل‌هایی مانند GLM 5.2 رقابت می‌کند. همچنین عملکرد آن در این وظایف به Qwen 3.8-Max نزدیک می‌شود. بااین‌حال، برخی مدل‌های پیشرفته متن‌باز، از جمله Kimi K3، همچنان از نظر توانایی خام عملکرد بهتری دارند.

مزیت اصلی Beam، بهره‌وری بیشتر در زمان استنتاج است. این مدل در آزمون‌های پیشرفته استدلالی، امتیازهایی قابل‌مقایسه با GLM-5.2 به دست آورده، درحالی‌که برای استنتاج به سه تا چهار برابر محاسبات کمتری نیاز دارد. اختلاف بهره‌وری در مقایسه با مدل‌های دارای بیش از دو تریلیون پارامتر، مانند Qwen 3.8-Max، برجسته‌تر است؛ زیرا این مدل‌ها برای تولید هر توکن به محاسبات استنتاج بیشتری نیاز دارند.

این نتایج نشان می‌دهند Beam می‌تواند با مصرف توکن و منابع محاسباتی کمتر، عملکرد قابل‌توجهی ارائه دهد. چنین ویژگی‌ای آن را به گزینه‌ای بالقوه برای کاربردهای سازمانی، به‌ویژه توسعه نرم‌افزار و اجرای وظایف عامل‌محور، تبدیل می‌کند؛ کاربردهایی که در آن‌ها هزینه اجرای مداوم مدل اهمیت زیادی دارد.

بنچمارک‌های مدل متن‌باز Beam

یادگیری تقویتی در مقیاس گسترده

نئولب Reflection یادگیری تقویتی با محاسبات بالا را یکی از محورهای اصلی توسعه Beam قرار داده است. افزایش مقیاس یادگیری تقویتی امکان بررسی راهبردهای متنوع‌تر حل مسئله را فراهم می‌کند و اجرای طولانی‌تر وظایف نیز به مدل فرصت می‌دهد استدلال چندمرحله‌ای، استفاده از ابزارها و سازگاری با بازخورد محیط را بیاموزد.

در بزرگ‌ترین اجرای یادگیری تقویتی Beam، از ۱۰۵۰۰ پردازنده گرافیکی NVIDIA GB300 طی چهار هفته استفاده شد. این فرایند بیش از ۱۰۰ میلیون اجرا با حداکثر طول زمینه ۲۵۶ هزار توکن تولید کرد. آموزش و ارزیابی نیز تقریباً ۱٫۳ میلیارد محیط ایزوله یا سندباکس را به کار گرفتند. نئولب Reflection این اجرا را یکی از بزرگ‌ترین آزمایش‌های یادگیری تقویتی انجام‌شده در مقیاس آزمایشگاه‌های توسعه‌دهنده مدل‌های متن‌باز می‌داند. همچنین گزارش می‌دهد که با افزایش محاسبات اختصاص‌یافته به یادگیری تقویتی، توانایی‌های Beam در مجموعه آزمون‌های ارزیابی همچنان بهبود یافته‌اند و نشانه‌ای از رسیدن عملکرد به نقطه اشباع مشاهده نشده است.

نئولب Reflection الگوریتم‌های جدیدی برای حفظ پایداری یادگیری و کاهش اختلاف میان آموزش و استنتاج توسعه داده است. به گفته شرکت، این پیشرفت‌ها امکان یادگیری تقویتی کاملاً ناهمگام را فراهم کرده‌اند؛ حتی زمانی که مدل از تعاملاتی یاد می‌گیرد که بیش از یک روز قبل تولید شده‌اند.

یادگیری استدلال کارآمدتر

یکی از اهداف آموزش Beam، بهبود نسبت میان توانایی حل مسئله و تعداد توکن‌های مصرفی بوده است. برای این منظور، Reflection از جریمه‌ای قابل‌کنترل برای طول پاسخ استفاده کرده است که به راه‌حل‌های موفق پاداش می‌دهد، اما از تولید توکن‌های غیرضروری جلوگیری می‌کند.

در مراحل اولیه یادگیری تقویتی، عملکرد Beam بهبود یافت، درحالی‌که طول پاسخ‌های آن کاهش پیدا کرد. این روند نشان می‌داد مدل می‌تواند وظایف را با استدلال کوتاه‌تر و مؤثرتر حل کند. در مراحل بعد، با افزایش توانایی‌های عامل‌محور، طول پاسخ‌ها دوباره بیشتر شد؛ اما توکن‌های اضافی به بهبود عملکرد کمک کردند.

کاربران می‌توانند این موازنه را از طریق پارامتر میزان تلاش استدلالی (Reasoning Effort) کنترل کنند. تنظیمات پایین‌تر، پاسخ‌های کوتاه‌تر را ترجیح می‌دهند؛ درحالی‌که تنظیمات بالاتر اجازه می‌دهند مدل برای مسائل دشوارتر، استدلال طولانی‌تری انجام دهد. این قابلیت به توسعه‌دهندگان امکان می‌دهد میزان محاسبات را با پیچیدگی وظیفه و بودجه محاسباتی خود هماهنگ کنند.

تعمیم توانایی‌ها فراتر از وظایف آموزشی

نئولب Reflection تلاش کرده است یادگیری تقویتی Beam به مهارت‌هایی محدود نشود که مستقیماً در محیط‌های آموزشی حضور دارند. در یکی از مراحل آموزش، مدل با وظایف استدلالی، مهندسی نرم‌افزار و کار با ترمینال آموزش داده شد. باوجوداینکه وظایف مرور وب در ترکیب آموزشی این مرحله وجود نداشتند، توانایی مدل در مرور وب نیز به طور مستمر بهبود یافت.

این انتقال توانایی نشان می‌دهد Beam احتمالاً مهارت‌های عمومی‌تری در کار با ابزارها و اجرای وظایف عامل‌محور آموخته است. برای نمونه، هنگامی که دسترسی به وب در اختیار آن قرار گرفت، مدل به‌صورت خودمختار جست‌وجو و پرس‌وجو از سایر مدل‌های زبانی بزرگ و استفاده از رابط‌های برنامه‌نویسی کاربردی OCR برای خواندن اسناد را یاد گرفت.

نمونه‌های ارائه‌شده از Beam شامل ساخت داشبورد زنده متروی نیویورک با داده‌های عمومی، توسعه برنامه‌های تعاملی، آماده‌سازی دفترچه‌های آموزشی برای تنظیم دقیق مدل‌ها و اجرای گردش‌کارهای یادگیری ماشین است. در نمونه‌ای دیگر، مدل برای وظیفه تبدیل زبان طبیعی به SQL، یک دفترچه فاین‌تیونینگ برای مدل Gemma-4 ایجاد کرده است.

Beam مدلی صرفاً متنی است؛ بااین‌حال، می‌تواند با اطلاعات مربوط به سایر شیوه‌های داده‌ای کار کند، مشروط بر اینکه این اطلاعات به شکل متن ارائه شوند. این نمونه‌ها ترکیب استدلال، برنامه‌نویسی و استفاده از ابزارها را در انجام وظایف متنوع نشان می‌دهند.

هم‌ترازی، ایمنی و کنترل رفتار مدل

Reflection برای ایمنی و هم‌ترازی Beam، مدلی جداگانه را از یک نقطه بررسی پیش‌آموزش توسعه داد و با استفاده از تنظیم دقیق نظارت‌شده (SFT) و یادگیری تقویتی، اصول رفتاری موردنظر را آموزش داد. سپس قابلیت‌های مدل آموزش‌دیده برای یادگیری تقویتی گسترده با یک مدل اختصاصی ایمنی و هم‌ترازی، از طریق «تقطیر برخط چندمعلمی» (Multi-Teacher On-Policy Distillation) ترکیب شدند.

اصول رفتاری Beam در سه سطح تعریف شده‌اند

1. قواعدی که مدل نباید نقض کند، از جمله رعایت سیاست‌های ایمنی و حفظ هویت خود به‌عنوان عامل هوش مصنوعی.
2. ویژگی‌هایی که باید به طور مستمر رعایت شوند، مانند استفاده از زمینه ارائه‌شده، بیان ادعاهای دقیق، پذیرش عدم قطعیت و پیروی شفاف از درخواست کاربر.
3. سبک تعامل پیش‌فرض که مستقیم، جامع، کارآمد و آینده‌نگر است.

نئولب Reflection برای آموزش این اصول از محیط‌های یادگیری تقویتی و مدل‌های پاداش مولد استفاده کرده است. این شرکت می‌گوید توانسته است با پیش‌بینی اثر پاداش‌ها بر رفتارهای مختلف، نتایج یادگیری تقویتی را بهتر از معیار Best-of-N به‌تنهایی پیش‌بینی کند.

آموزش ایمنی همچنین شامل روش‌های هم‌ترازی مبتنی بر استدلال و تولید تکرارشونده داده‌های خصمانه بوده است. در هر دور، مدل آموزش داده می‌شد، رفتارهای زیان‌بار یا امتناع بیش از حد آن شناسایی می‌شد و نمونه‌های موفق حمله برای آموزش دور بعد به مجموعه‌داده اضافه می‌شدند. سناریوهای ایمنی نیز موقعیت‌های تک‌مرحله‌ای، چندمرحله‌ای، تلاش برای دورزدن محدودیت‌ها و استفاده ناایمن از ابزارها را در بر می‌گرفتند.

Beam model card

Beam Safety Technical Report

دانلود و دسترسی رایگان به مدل متن‌باز Beam

مدل متن‌باز Beam به‌صورت مستقیم و رایگان از طریق پلتفرم نئولب Reflection به آدرسplatform.reflection.aiدر دسترس قرار گرفته است. نئولب Reflection اعلام کرده است وزن‌های Beam را تحت مجوز Apache 2.0 درHugging FaceوGitHubمنتشر کرده است. وزن‌ها در قالب‌های دقت BF16، FP8 و NVFP4 عرضه شده‌اند و یک مدل کمکی برای رمزگشایی حدسی (Speculative Decoding) نیز در دسترس قرار گرفته است.

platform.reflection.ai

Beam on Hugging Face

Beam on GitHub

همچنینکامیونیتی دیسکورد نئولب Reflectionمستندات مدل برای توسعه‌دهندگانبنچمارک‌های نهایی و روش‌شناسی ارزیابی ایمنی نیز در ضمن انتشار عمومی مدل متن‌باز و رایگان Beam ارائه شده‌اند.

Beam از ابزارهای متداولی مانند Transformers، vLLM، SGLang، Unsloth، Axolotl و Dynamo پشتیبانی می‌کند. توسعه‌دهندگان می‌توانند مدل را دانلود و روی زیرساخت خود اجرا کنند، آن را ارزیابی و برای حوزه‌های خاص فاین‌تیون یا به سامانه‌های عامل‌محور متصل کنند. Beam همچنین با ابزارهایی مانند Pi، OpenCode و Hermes آزمایش شده است.

نئولب Reflection همچنین Mirror CLI را معرفی کرده است؛ ابزاری متن‌بازپسند که امکان اجرای Beam از طریق ترمینال، نظارت بر فعالیت عامل، تأیید فراخوانی ابزارها و هدایت فرایند اجرا را فراهم می‌کند. Mirror از مکالمات قابل‌ازسرگیری، عامل‌های موازی در محیط‌های کاری جداگانه، دستورالعمل‌های پروژه، مهارت‌ها، اتصال‌های MCP و افزونه‌های پایتون پشتیبانی می‌کند.

Mirror CLI on GitHub

Beam از طریق Reflection و مجموعه‌ای از شرکای ابری، ارائه‌دهندگان استنتاج و پروژه‌های متن‌باز در دسترس قرار گرفته است. این مجموعه شامل AWS، Google Cloud، Microsoft Foundry، NVIDIA، Oracle، CoreWeave، Cloudflare، Together AI و چندین ارائه‌دهنده دیگر است.

در مجموع، نئولب Reflection تلاش کرده است Beam را فراتر از یک انتشار ساده وزن‌های مدل عرضه کند؛ مدلی با تمرکز بر برنامه‌نویسی، استدلال و وظایف عامل‌محور که در کنار بهره‌وری استنتاج، با زیرساخت آموزش، ابزارهای توسعه، قابلیت سفارشی‌سازی و اکوسیستم یکپارچه‌سازی پشتیبانی می‌شود. هدف اعلام‌شده نئولب Reflection، ایجاد یک پشته هوش مصنوعی باز است که به توسعه‌دهندگان، سازمان‌ها و دولت‌ها کنترل بیشتری بر نحوه استقرار و استفاده از هوش مصنوعی بدهد.

برای ارزیابی پایداری، امنیت و نگهداری این زیرساخت، راهنمای پشتیبانی شبکه را نیز مطالعه کنید.