> ## Content Index > Fetch the complete content index at: https://fomoera.com/llms.txt > Use this file to discover other available public pages before exploring further. # Reflection libera los pesos de Beam y apuesta por razonar con menos tokens - URL: https://fomoera.com/reflection-beam-pesos-abiertos/ - Published: 2026-10-17T05:20:00.000Z - Updated: 2026-10-17T05:20:00.000Z - Description: Beam se puede descargar y adaptar con licencia Apache 2.0. Su promesa de eficiencia convive con grandes requisitos de memoria y una comparación de cómputo que excluye parte del trabajo. - Author: Patricia Rodriguez - Tags: Tecnología y Ciencia, IA Reflection AI publicó el 16 de octubre de 2026 los pesos de Beam, su primer modelo de pesos abiertos, bajo licencia Apache 2.0\. La entrega permite descargarlo, adaptarlo y ejecutarlo en infraestructura propia. La compañía apuesta por reducir los tokens necesarios para resolver tareas de programación y trabajo con agentes. El modelo se había presentado el 5 de octubre. La publicación de sus pesos llega acompañada de herramientas de despliegue y personalización, además de una ficha con los resultados finales de evaluación. ## La memoria depende del modelo completo La ficha de Beam detalla **501,300 millones de parámetros totales y 23,400 millones activos por token**. Su arquitectura de mezcla de expertos utiliza solo una parte del modelo en cada paso de generación. Beam acepta y produce texto, admite hasta un millón de tokens de contexto y se desarrolló principalmente para inglés. En su guía de despliegue, AWS separa ambas exigencias: el total de parámetros determina el tamaño de los pesos y su memoria, mientras que la parte activa influye en el cómputo de cada token. Las configuraciones que describe requieren varias GPU. Una cuenta orientativa permite dimensionarlo: asignar dos bytes por parámetro en BF16 a los 501,300 millones de la ficha suma aproximadamente **1 TB solo para los pesos**, antes de cachés y otros recursos de ejecución. Es una referencia teórica. Reflection también publica versiones FP8 y NVFP4, formatos más compactos con distintos requisitos de hardware. ## Qué mide la promesa de eficiencia Reflection dice que combinó aprendizaje por refuerzo con una penalización controlable por longitud. Durante ese entrenamiento recompensó las soluciones correctas y desincentivó los tokens innecesarios, las unidades en que se divide el texto. El objetivo era resolver las tareas generando menos tokens. El usuario puede modificar el esfuerzo de razonamiento: los niveles bajos favorecen respuestas más breves y los altos permiten dedicar más tokens a problemas exigentes. En ciertas pruebas de razonamiento, Reflection sitúa el cómputo de generación de Beam entre una cuarta parte y un tercio del de GLM-5.2\. La estimación combina parámetros activos y tokens generados, incluidos el razonamiento y la respuesta final. El cálculo excluye el procesamiento inicial del texto de entrada, operaciones de atención dependientes del contexto y gastos del sistema de ejecución. Medir el costo por tarea exige incorporar esos consumos y el precio de la infraestructura o del servicio. Reflection también anuncia despliegues con Dell y HPE en infraestructura empresarial, incluidos entornos aislados de internet, para ejecutar agentes dentro de las instalaciones del cliente. *Fuentes:* [1](https://reflection.ai/blog/beam-is-available?ref=fomoera.com), [2](https://reflection.ai/blog/introducing-beam?ref=fomoera.com), [3](https://huggingface.co/reflection/Beam-1.0-501B-A23B?ref=fomoera.com), [4](https://aws.amazon.com/blogs/machine-learning/introducing-reflection-beam-an-open-weight-model-for-agentic-coding-on-aws/?ref=fomoera.com)