Reflection АНОНСИРОВАЛИ свою первую открытую модель Beam 501B open-weight model

Я обычно не пишу о том, чего нельзя самому попробовать. Что же в этом такого особенного, что я решил об этом анонсе написать?

Reflection AI вчера только анонсировала модель и сейчас дает early access по waitlist. В официальном анонсе нет цены ни за input/output tokens, ни фиксированного API-тарифа.

Веса модели — бесплатно: Reflection обещает выпустить Beam позже в октябре под Apache 2.0. То есть скачать и self-host можно будет без лицензионной платы.

При этом бенчи модели заявлены очень мощными на уровне GLM-5.2 / GLM-5.3 (они очень схожие).

Да, по архитектурному классу Beam очень похож на DeepSeek-V3, только примерно на треть легче по вычислениям.

Есть реальная точка отсчета. Для FP8 DeepSeek-V3 SGLang рекомендует 8×H200 и показывает на таком сервере около 464 output tok/s при высокой параллельности.

8 × $3.59 = $28.72/час

Получаем для DeepSeek-V3:

464 × 3600 ≈ 1.67M output tokens/hour

то есть примерно $17/1M output tokens только аренды GPU.

Для Beam я бы ожидал на том же 8×H200 порядка 600–750 output tok/s после нормальной оптимизации. Тогда:

Beam ≈ $11–13 / 1M output tokens self-hosted на арендованных H200.

Поэтому мой прогноз цены API Beam

Self-host и API-прайс — совершенно разные вещи. Например, исходный DeepSeek-V3 стоил всего $1.10/1M output, хотя аренда H200 для самостоятельного хостинга дает порядок ~$17/M.

Если Reflection собирается позиционировать Beam именно как дешевый «workhorse», я бы ожидал примерно:

input: $0.20–0.70 / 1M
output: $0.80–2.00 / 1M

Если они поставят >$3/M output, это уже будет скорее коммерческая наценка, а не следствие размера модели.

То есть Beam фактически выглядит как «DeepSeek-V3, у которого выкинули примерно треть вычислений». Если качество действительно останется на заявленном уровне, архитектурно это очень привлекательная модель именно для дешевого массового inference.

https://reflection.ai/blog/introducing-beam — можно записаться в вайтлист и затестировать.