Reflection AI เปิดตัว Beam โมเดล MoE 501B (active 23B) ตัวแรกของแล็บ — ประกาศว่าจะปล่อยน้ำหนักแบบ Apache-2.0 ภายในเดือนนี้ แต่วันนี้ยังดาวน์โหลดไม่ได้ และในตารางของตัวเองก็ยังแพ้ DeepSeek V4.1 Flash หลายรายการ

5 ตุลาคม 2026 Reflection AI แล็บในสหรัฐฯ ที่ก่อตั้งโดยอดีตนักวิจัย Google DeepMind และระดมทุนไปหลายพันล้านดอลลาร์ทั้งที่ยังไม่มีโมเดลออกมาสักตัว เปิดตัว Beam ซึ่งเป็นโมเดลตัวแรกของแล็บ Beam เป็น sparse Mixture-of-Experts ขนาด 501B พารามิเตอร์ ใช้งานจริง (active) 23B ต่อโทเคน รับอินพุตเป็นข้อความอย่างเดียว คอนเท็กซ์ยาว 1M โทเคน และออกแบบมาสำหรับงานโค้ด การให้เหตุผล และงานแบบเอเจนต์

ต้องบอกให้ชัดตั้งแต่ต้นว่า วันนี้ยังไม่มีน้ำหนักให้ดาวน์โหลด Reflection บอกว่า Beam “อยู่ระหว่าง red-teaming และประเมินผลรอบสุดท้าย” ตอนนี้เปิดให้ลงชื่อใน waitlist เพื่อขอสิทธิ์ใช้ก่อนเท่านั้น และสัญญาว่า “เดือนนี้เราจะปล่อยน้ำหนักภายใต้ license Apache 2.0 พร้อมเอกสารและสแตกครบชุดสำหรับรัน ประเมินผล และ fine-tune” ส่วนรายงานเทคนิคกับ model card จะออกมาพร้อมกัน เราค้น Hugging Face แล้วยังไม่พบรีโปของ Reflection เลย ดังนั้นตัวเลขทุกตัวในโพสต์นี้มาจากผู้พัฒนาเองและยังไม่มีใครตรวจซ้ำ

สเปกและวิธีเทรน

• Pretrain: ใช้ข้อมูล 23.8 ล้านล้านโทเคนจากเว็บ แหล่งสาธารณะ และชุดข้อมูลที่ซื้อ license มา เทรนจบในเวลาไม่ถึง 4 สัปดาห์บน GB300 NVL72 จำนวน 6,144 GPU มีการ rewind แบบกึ่งอัตโนมัติ 9 ครั้ง และช่วงท้าย goodput อยู่ที่ 92.3%
• สถาปัตยกรรม: มี 52 เลเยอร์ สลับ attention แบบ local กับ global ใช้ expert แบบละเอียด (fine-grained) และทำ load balancing แบบไม่ใช้ auxiliary loss ตามแนว DeepSeek โดยเพิ่ม cosine decay ให้กับ bias ของ expert ผลคือ expert ที่ทำงานหนักที่สุดรับโหลดแค่ 1.04 เท่าของค่าเฉลี่ย
• RL: ใช้ GB300 10,500 ตัวนาน 4 สัปดาห์ ได้ rollout มากกว่า 100 ล้านครั้ง แต่ละครั้งยาวได้ถึง 256K โทเคน เปิด sandbox รวมราว 1,300 ล้านครั้ง และใช้ environment เกือบ 1 ล้านชุด RL แบบ asynchronous ยังเทรนได้นิ่ง แม้ข้อมูลจะเก่ากว่า policy ปัจจุบันถึง 107 เวอร์ชัน (ราวหนึ่งวัน) Reflection เทียบไว้ด้วยว่า Inkling ใช้ rollout 30 ล้านครั้ง ส่วน MiMo ใช้ 753K ครั้ง
• Safety: เทรนโมเดล “ครู” อีกตัวแยกไว้สำหรับ safety และ alignment โดยเฉพาะ แล้วรวมความสามารถของครูสองตัวเข้าด้วยกันด้วย multi-teacher on-policy distillation (MOPD) Reflection บอกว่าจะเปิดซอร์สชุดทดสอบ safety ที่ใช้ภายในด้วย
• ใช้งาน: มีพารามิเตอร์ reasoning effort ให้ปรับสมดุลระหว่างความยาวคำตอบกับคุณภาพได้

ตัวเลขในตารางของ Reflection เอง

Benchmark	Beam	GLM 5.2	GLM 5.3	Kimi K3	Qwen 3.8 Max	DeepSeek V4.1 Flash
SWE-bench Verified	80.9	NR	NR	NR	NR	NR
SWE Bench Pro v1	65.5	62.1	NR	NR	67.7	NR
Terminal Bench v2.1	80.1	81.0	88.2	88.3	86.6	90.6
DeepSWE v1.1	44.4	44.0	61.0	68.0	51.0	74.2
HLE (ไม่ใช้เครื่องมือ)	36.2	40.5	42.3	46.9	43.6	39.1
GPQA Diamond	90.5	91.2	91.7	93.5	92.6	90.9
MCP Atlas	78.7	77.8	84.2	82.3	84.5	NR

NR = ไม่มีการรายงาน คะแนนของโมเดลอื่น Reflection บอกว่าดึงมาจาก Artificial Analysis และ DataCurve

ถ้าอ่านตารางตรง ๆ Beam ไม่ได้ขึ้นนำในหมวดไหนเลย คู่แข่งที่น่าสนใจที่สุดคือ DeepSeek V4.1 Flash ซึ่งปล่อยน้ำหนักไปแล้วและทำคะแนนสูงกว่า Beam ทั้ง Terminal Bench (90.6 ต่อ 80.1) DeepSWE (74.2 ต่อ 44.4) และ HLE Reflection เองก็ยอมรับว่า Kimi K3 “ยังนำด้านความสามารถดิบ” จุดขายที่แล็บเลือกชูจึงเป็น ประสิทธิภาพ คือได้คะแนน reasoning ใกล้ GLM-5.2 แต่ใช้คอมพิวต์ตอน inference น้อยกว่า 3–4 เท่า

ตัวเลข 3–4 เท่านี้เป็นการประมาณ ไม่ได้วัดจริง Reflection คิด FLOPs ด้วยสูตร 2 × active params × จำนวนโทเคนที่สร้างเฉลี่ย ซึ่งไม่รวม prefill, attention ที่ขึ้นกับความยาวคอนเท็กซ์ และ overhead ตอนให้บริการ เอกสารก็เขียนไว้เองว่า “เป็นการเปรียบเทียบคอมพิวต์แบบคร่าว ๆ ไม่ใช่ต้นทุน inference ที่วัดได้”

รันเองได้ไหม

เมื่อน้ำหนักออกมาแล้ว ขนาด 501B ทำให้ Beam เป็นโมเดลสำหรับเซิร์ฟเวอร์ ไม่ใช่การ์ดจอเกมมิ่ง คิดคร่าว ๆ (เราคำนวณเอง) ที่ BF16 ต้องใช้หน่วยความจำราว 1 TB ถ้า quantize เหลือ 4 บิตก็ยังต้องใช้ราว 250 GB ขึ้นไป ข้อดีคือ active แค่ 23B ต่อโทเคน ถ้าโหลดน้ำหนักลงหน่วยความจำได้ครบ การ decode จะเร็วกว่า dense model ขนาดใกล้กันมาก นี่คือสิ่งที่ Reflection เรียกว่า “workhorse” สำหรับงานเอเจนต์ในองค์กร

มุมมอง AI Curator

Reflection ระดมทุนมามหาศาล เซ็นดีลคอมพิวต์ราว $6.3B กับ SpaceX และถูกเรียกว่าเป็นตัวแทน “open-weight ฝั่งตะวันตก” มาเกือบปีโดยยังไม่มีอะไรให้จับต้อง Beam จึงเป็นการพิสูจน์ตัวครั้งแรก ตัวเลขที่ออกมาบอกว่าแล็บนี้สร้างโมเดลระดับ GLM-5.2 ได้จริง แต่ยังไม่ถึงระดับ Kimi K3 หรือ GLM-5.3 และตามหลังโมเดลจีนที่ปล่อยน้ำหนักไปแล้วหลายตัว ส่วนที่น่าสนใจกว่าคะแนนคือรายละเอียดด้านวิศวกรรม RL ที่เปิดเผยมา เช่น rollout พร้อมกัน 110K ชุด ส่งน้ำหนักใหม่ถึงทั้งฟลีตในเวลา median 12 วินาที และเทรนต่อได้แม้ข้อมูลเก่าไปหนึ่งวัน ข้อมูลระดับนี้แล็บปิดแทบไม่เคยเผยแพร่

สำหรับนักพัฒนาไทย ประเด็นที่ควรสนใจมากที่สุดคือ license ถ้าออกมาเป็น Apache-2.0 จริงตามสัญญา องค์กรที่ติดเงื่อนไขด้านแหล่งที่มาของโมเดล เช่น หน่วยงานรัฐหรือธนาคารที่ไม่อยากใช้น้ำหนักจากจีน จะได้ตัวเลือกระดับ 500B ที่ใช้เชิงพาณิชย์ได้เต็มที่ แต่บทเรียนจากหลายเดือนที่ผ่านมาคือ license ที่สัญญาไว้ในบล็อกกับไฟล์ LICENSE ที่อยู่ในรีโปจริงไม่ได้ตรงกันเสมอไป ระหว่างนี้แนะนำให้ถือว่า Beam เป็นแค่ประกาศ อย่าเพิ่งวางแผนระบบโดยพึ่งโมเดลนี้จนกว่าจะเห็นน้ำหนัก config.json และ LICENSE บน Hugging Face และจนกว่า Artificial Analysis หรือ LMArena จะวัดผลซ้ำ เราจะติดตามและเขียนอีกครั้งเมื่อน้ำหนักออกมาจริง

แหล่งข่าว

• Introducing Beam: Reflection’s 501B open-weight model — Reflection AI
• Inside Reflection AI: The $20B Open-Model Startup That Has Yet to Ship — Turing Post