مدل متن‌باز Beam با ۵۰۱ میلیارد پارامتر و لایسنس Apache 2.0 منتشر شد

شرکت Reflection AI وزن‌های مدل Beam را با لایسنس Apache 2.0 منتشر کرد؛ مدلی ۵۰۱ میلیارد پارامتری که برای هر توکن فقط ۲۳ میلیارد پارامتر را فعال می‌کند و می‌خواهد ثابت کند مدل متن‌باز آمریکایی می‌تواند رقیب جدی باشد.

۱. چه اتفاقی افتاد؟

مدل Beam اولین بار در ۵ اکتبر ۲۰۲۶ به‌عنوان پیش‌نمایش معرفی شد و فقط از طریق فهرست انتظار در دسترس بود. شرکت Reflection AI همان زمان قول داده بود که وزن‌ها، گزارش فنی و کارت مدل را «در همین ماه» منتشر کند. این قول در ۱۶ اکتبر عملی شد و وزن‌ها با لایسنس Apache 2.0 روی Hugging Face قرار گرفتند.

مهم‌ترین نکته‌ی این خبر خودِ لایسنس است. Apache 2.0 یکی از آزادترین لایسنس‌های نرم‌افزاری است و به شرکت‌ها اجازه می‌دهد مدل را بدون محدودیت‌های سنگین تجاری تغییر دهند، بازآموزی کنند و در محصول خود به کار ببرند. در دنیایی که بسیاری از مدل‌های «باز» محدودیت‌های مصرف دارند، این لایسنس یک مزیت واقعی است.

اگر تازه با مفهوم مدل‌های بزرگ زبانی آشنا شده‌اید، پیشنهاد می‌کنیم مقاله‌ی OpenAI چیست؟ را هم مرور کنید تا تفاوت مدل‌های بسته و باز را بهتر بفهمید.

۲. معماری Beam: چرا ۵۰۱ میلیارد پارامتر ولی فقط ۲۳ میلیارد فعال؟

Beam یک مدل Mixture-of-Experts یا به‌اختصار MoE است. در این معماری مدل از تعداد زیادی «متخصص» تشکیل شده و برای هر توکن فقط بخش کوچکی از آن‌ها فعال می‌شوند. نتیجه این است که مدل از نظر ظرفیت دانش بسیار بزرگ است، اما هزینه‌ی محاسباتی هر توکن به اندازه‌ی یک مدل ۲۳ میلیارد پارامتری است.

طبق اطلاعات منتشرشده، مدل ۵۲ لایه دارد و از توجه محلی و سراسری به‌صورت متناوب استفاده می‌کند. پیش‌آموزش روی حدود ۲۳٫۸ تریلیون توکن انجام شده و پس از آن مرحله‌ی یادگیری تقویتی با بیش از ۱۰۰ میلیون rollout اجرا شده است. ورودی مدل فقط متن است و هنوز قابلیت تصویر ندارد.

سمت زیرساخت هم عددها بزرگ‌اند: گزارش‌ها از ۶٬۱۴۴ پردازنده‌ی GB300 برای پیش‌آموزش و حدود ۱۰٬۵۰۰ پردازنده برای یادگیری تقویتی طی چهار هفته خبر می‌دهند. این یعنی Reflection نه یک پروژه‌ی تحقیقاتی کوچک، بلکه یک آزمایشگاه مرزی با منابع جدی است.

۳. چه چیزهایی همراه مدل منتشر شد؟

برخلاف بسیاری از انتشارها که فقط فایل وزن را می‌دهند، Reflection مجموعه‌ای کامل عرضه کرده است. این مجموعه شامل چند بخش است:

• وزن‌های مدل در سه قالب BF16 و FP8 و NVFP4؛ نسخه‌ی NVFP4 حدود ۲۷۳ گیگابایت حجم دارد.
• مدل کمکی ۱٫۹۳ میلیارد پارامتری برای رمزگشایی حدسی (speculative decoding) که سرعت تولید را بالا می‌برد.
• دستورهای آموزش پس‌ازپیش‌آموزش و ابزارهایی برای سنجش اثر شخصی‌سازی بر توانایی و پایبندی مدل به قواعد ایمنی.
• پیکربندی آماده برای موتورهای سرو مثل vLLM و SGLang و کتابخانه‌ی Transformers، به‌همراه کرنل‌های ترکیبی برای کارایی بیشتر.

شرکت همچنین گفته است در روزهای آینده دستورهای بیشتری برای خودتقطیری (self-distillation) و درس‌های توسعه را به‌صورت متن‌باز منتشر می‌کند.

۴. سخت‌افزار لازم برای اجرا

پیکربندی مرجع شرکت برای اجرای محلی چهار GPU مدل NVIDIA B300 با اتصال NVLink است. این یعنی مدل برای اجرا روی لپ‌تاپ یا یک کارت گرافیک معمولی مناسب نیست؛ هدف آن تیم‌ها و شرکت‌هایی است که زیرساخت GPU دارند یا می‌توانند آن را اجاره کنند.

با این حال، پشتیبانی روز اول از ابزارهای رایج سرو مدل باعث می‌شود راه‌اندازی برای تیم‌های مهندسی ساده‌تر باشد. برای کسانی که نمی‌خواهند خودشان میزبانی کنند، Reflection یک API سازگار با OpenAI هم دارد که پنجره‌ی زمینه‌ی آن حدود ۱٫۰۴۸ میلیون توکن گزارش شده است. در این API استدلال اجباری است و به‌طور پیش‌فرض روی بیشینه‌ی تلاش قرار دارد.

قیمت‌گذاری API هنوز عمومی نشده است. اگر قصد دارید هزینه را کنترل کنید، بهتر است سطح تلاش استدلال را صریحاً تنظیم کنید. برای یادگیری نوشتن درخواست‌های بهتر به مدل‌ها، راهنمای آموزش نوشتن پرامپت برای مبتدیان را بخوانید.

۵. عددهای ادعاشده؛ بنچمارک‌های خود شرکت

طبق گزارش‌های منتشرشده، Reflection این نمره‌ها را برای Beam اعلام کرده است: حدود ۸۰٫۹ در SWE-bench Verified، حدود ۶۵٫۵ در SWE-Bench Pro و حدود ۸۰ درصد در Terminal-Bench نسخه‌ی ۲٫۱. شرکت می‌گوید در Terminal-Bench برای هر تلاش حدود ۲۵ هزار توکن مصرف می‌کند، در حالی که GLM-5.2 با نمره‌ی مشابه حدود ۸۰ هزار توکن می‌خواهد.

اگر این ادعا درست باشد، یعنی هزینه‌ی استنتاج برای وظایف عامل‌محور (agentic) و برنامه‌نویسی می‌تواند به‌طور محسوس کمتر شود. چون عامل‌ها در هر کار ده‌ها و صدها بار مدل را فراخوانی می‌کنند، مصرف توکن کمتر مستقیماً به صورت‌حساب کمتر تبدیل می‌شود.

اما باید محتاط بود. این اعداد را خود شرکت منتشر کرده و هنوز مستقل بازتولید نشده‌اند. خود Reflection هم گفته است که مدل Kimi K3 از نظر توانایی خام همچنان جلوتر است.

۶. ارزیابی مستقل: خوب، اما نه در قله

مؤسسه‌ی Artificial Analysis به Beam شاخص هوش ۳۰ داده و آن را در رتبه‌ی ۱۹ از ۱۲۰ مدل قرار داده است. این رتبه برای یک مدل متن‌باز بسیار قابل‌قبول است، ولی نشان می‌دهد مدل جایگزین مدل‌های مرزی بسته نیست.

تحلیل‌گران نتیجه می‌گیرند که اگر نیاز شما «وزن‌های باز با لایسنس آزاد» است، مانع اصلی برداشته شده است. اما اگر دنبال حداکثر توانایی هستید، دلیلی برای کنار گذاشتن مدل‌های پیشرو نیست. برای مقایسه‌ی عملی مدل‌ها می‌توانید مقاله‌ی مقایسه‌ی ChatGPT و DeepSeek را ببینید.

۷. پشت صحنه‌ی مالی: Nvidia و ارزش‌گذاری ۲۵ میلیارد دلاری

این انتشار در زمانی رخ داد که فاینشال تایمز از مذاکرات اولیه‌ی Nvidia برای افزایش سرمایه‌گذاری در Reflection، خرید آن یا جذب تیمش خبر داده بود. این گزارش هنوز تأیید نشده و ممکن است مذاکرات به نتیجه نرسد.

طبق گزارش‌ها، آخرین دور سرمایه‌گذاری با ارزش‌گذاری پیش از سرمایه‌ی ۲۵ میلیارد دلار بسته شده و مجموع جذب سرمایه‌ی Reflection حدود ۴٫۷ میلیارد دلار است. قراردادهای محاسباتی با SpaceX (تا ۶٫۳ میلیارد دلار) و Nebius (بیش از یک میلیارد دلار) هم گزارش شده است. این اعداد نشان می‌دهد شرط‌بندی روی مدل‌های متن‌باز آمریکایی جدی شده است.

برای درک اهمیت اقتصادی این روند، مقاله‌ی اهمیت هوش مصنوعی در کسب‌وکار را بخوانید.

۸. برای ایرانی‌ها و توسعه‌دهندگان فارسی‌زبان چه معنایی دارد؟

مدل‌های متن‌باز با لایسنس آزاد فرصت بزرگی برای تیم‌هایی هستند که می‌خواهند داده‌ی حساس را از سرور خودشان خارج نکنند یا مدل را برای زبان فارسی بازآموزی کنند. با وجود وزن‌های Beam و دستورهای آموزش پس‌ازپیش‌آموزش، امکان ساخت نسخه‌های تخصصی فراهم‌تر شده است.

با این حال باید واقع‌بین بود: اجرای مدلی با این اندازه به زیرساخت جدی نیاز دارد و ورودی آن فقط متن است. پیش از هر تصمیم، مدل را روی داده‌ها و وظایف خودتان آزمایش کنید و فقط به نمره‌های تبلیغاتی تکیه نکنید. محدودیت‌ها و واقعیت‌های هوش مصنوعی را در مقاله‌ی پتانسیل و محدودیت‌های واقعی هوش مصنوعی بخوانید.

اخبار تازه‌ی این حوزه را در بخش اخبار هوش مصنوعی دنبال کنید و آموزش‌های کاربردی را در آموزش ChatGPT ببینید. همچنین نگاه انتقادی به وعده‌های بزرگ هوش مصنوعی را در توهم هوش مصنوعی؛ توسعه‌دهنده‌ی تنها در برابر مهندس واقعی بخوانید.

۹. چگونه Beam را امتحان کنیم؟ راهنمای عملی

برای شروع، ساده‌ترین مسیر استفاده از API سازگار با OpenAI است. چون رابط آن با کتابخانه‌های رایج هماهنگ است، معمولاً فقط آدرس پایه و نام مدل را عوض می‌کنید. توجه کنید که طبق مستندات فعلی فقط نقاط پایانی Chat Completions و Models پشتیبانی می‌شوند، stop sequence نادیده گرفته می‌شود و خاموش کردن استدلال ممکن نیست.

اگر زیرساخت دارید، مسیر دوم دانلود وزن‌ها و اجرا با vLLM یا SGLang است. پیش از ورود به تولید، سه کار را پیشنهاد می‌کنیم: مدل را روی نمونه‌ی واقعی داده‌ی خودتان بسنجید، مصرف توکن را اندازه بگیرید و نسخه‌ی کوانتیزه را با نسخه‌ی کامل از نظر کیفیت مقایسه کنید. کاهش دقت در قالب‌های کم‌بیت گاهی روی وظایف پیچیده‌ی کدنویسی بیشتر از انتظار اثر می‌گذارد.

نکته‌ی دیگر شرایط داده‌هاست. طبق گزارش‌ها، در سرویس رایگان یا تخفیف‌دار شرکت مجوز گسترده‌تری برای استفاده از محتوای شما دارد و محتوا حدود ۳۰ روز نگهداری می‌شود. اگر با داده‌ی حساس کار می‌کنید، میزبانی شخصی وزن‌های باز منطقی‌ترین گزینه است.

۱۰. پرسش‌های متداول

آیا Beam واقعاً متن‌باز است؟

بله، وزن‌ها با لایسنس Apache 2.0 منتشر شده‌اند. البته «متن‌باز» بودن وزن‌ها به معنای انتشار کامل داده‌های آموزشی نیست.

برای اجرای Beam چه سخت‌افزاری لازم است؟

پیکربندی مرجع شرکت چهار GPU مدل B300 است. نسخه‌ی NVFP4 حدود ۲۷۳ گیگابایت حجم دارد، پس برای کاربر عادی مناسب نیست.

آیا Beam از مدل‌های بسته بهتر است؟

خیر. ارزیابی مستقل آن را در رتبه‌ی ۱۹ از ۱۲۰ قرار داده و خود شرکت هم می‌گوید Kimi K3 در توانایی خام جلوتر است. مزیت اصلی Beam لایسنس باز و مصرف توکن کمتر (طبق ادعای شرکت) است.

آیا Beam تصویر هم می‌فهمد؟

خیر، ورودی مدل فعلاً فقط متن است.

قیمت API چقدر است؟

در زمان نگارش این مقاله، قیمت API عمومی منتشر نشده است.