مدل وزن‌باز Beam رونمایی شد؛ رقابت با هوش مصنوعی چین با توکن‌های کمتر به‌جای توکن‌های ارزان‌تر

استارتاپ Reflection AI وزن‌های مدل Beam، نخستین مدل وزن‌باز خود را منتشر کرد تا آن را به میدان رقابت با مدل‌های وزن‌باز چینی بفرستد؛ مدل‌هایی که بسیاری از شرکت‌های آمریکایی به دلیل هزینه‌های پایین، پیش‌تر به استفاده از آن‌ها روی آورده‌اند.

این استارتاپ بر این باور است که مدل ۵۰۱ میلیارد پارامتری Beam می‌تواند هر مأموریت را با مصرف تعداد توکن‌های به‌مراتب کمتری نسبت به سایر مدل‌های هم‌اندازه خود به پایان برساند؛ مزیتی که به گفته Reflection، هزینه نهایی انجام هر وظیفه را به‌شکل محسوسی کاهش می‌دهد.

عرضه Beam تنها یک روز پس از انتشار مدل Muse Spark Open متا صورت گرفت؛ مدلی ۸۱۶ میلیارد پارامتری که متا آن را قدرتمندترین مدل وزن‌باز آمریکایی تا به امروز می‌نامد. متا تمرکز اصلی خود را بر توانمندی خام این مدل بزرگ‌تر گذاشته است. با این حال، طبق امتیازهای رسمی منتشرشده از سوی هر دو شرکت، نه مدل متا و نه مدل Reflection توان رقابت با عملکرد برترین مدل‌های چینی را در بنچمارک Terminal-Bench 2.1 ندارند؛ آزمونی که برای سنجش عملکرد ایجنت‌ها در محیط خط فرمان به کار می‌رود. اما مدیران Reflection معتقدند تا زمانی که عملکرد مدل در این وظایف رقابتی باشد، دغدغه اصلی سازمان‌ها این خواهد بود که مدل برای اتمام هر وظیفه به چه تعداد توکن نیاز دارد. شرکت Reflection در پست وبلاگی ۵ اکتبر خود، جایی که برای نخستین بار جزئیات این مدل را به نمایش گذاشت، تأکید کرد که کارایی بالای Beam «توانمندی‌های قدرتمند مدل را با هزینه‌ای کمتر» به ارمغان می‌آورد.

شرکت Reflection در آن مطلب توضیح داد که مدل خود را با یادگیری تقویتی فشرده آموزش داده است؛ مرحله‌ای از آموزش که در آن، مدل انجام وظایف مختلف را تمرین می‌کند و بر اساس نتایج حاصل پاداش می‌گیرد. این شرکت همچنین سازوکاری برای جریمه مدل در نظر گرفته تا هر زمان که از توکن‌های غیرضروری استفاده کرد، با نمره منفی مواجه شود.

یوآنیس آنتونوگلو (Ioannis Antonoglou)، هم‌بنیان‌گذار و مدیر ارشد فناوری استارتاپ Reflection، در گفت‌وگویی اختصاصی درباره دشواری‌های پیاده‌سازی درست این جریمه توضیح داد. او در پاسخ به این پرسش که Beam برای تولید پاسخ‌های کوتاه‌تر و کارآمدتر چه چیزهایی را فدا کرده است، گفت: «قرار نیست چیزی را فدا کنید؛ شما فقط مدل را بر اساس تعداد توکن‌هایی که مصرف می‌کند جریمه می‌کنید.»

آنتونوگلو اشاره کرد که بخش دشوار کار این است که اگر تیمی این جریمه را «ناشیانه» اعمال کند، در نهایت با مدلی روبه‌رو می‌شود که «صرفاً یاد می‌گیرد وظیفه محول‌شده را حل نکند»؛ چراکه تولید توکن‌های کمتر، ساده‌تر از انجام کار واقعی است. او توضیح داد که برای جلوگیری از شانه خالی کردن Beam از انجام وظایف، Reflection حجم عظیمی از فرآیند یادگیری تقویتی را به اجرا گذاشت. به گفته آنتونوگلو، با یادگیری تقویتی کافی، مدل یاد می‌گیرد که وظیفه را حل کند و هم‌زمان پاسخی کوتاه و موجز ارائه دهد. 

استارتاپ Reflection این فرآیند را یکی از بزرگ‌ترین چرخه‌های یادگیری تقویتی توصیف می‌کند که تاکنون توسط یک آزمایشگاه توسعه مدل‌های وزن‌باز انجام شده است. در طول یک دوره چهار هفته‌ای، این تیم بیش از ۱۰۰ میلیون «rollout» را به اجرا درآورد؛ چرخه‌های کاملی از تلاش مبتنی بر آزمون و خطا برای حل مسئله که طی آن، مدل استدلال خود را می‌آزماید و از خطاهایش درس می‌گیرد. این عملیات با استفاده از خوشه‌ای متشکل از ۱۰٬۵۰۰ پردازنده گرافیکی پیشرفته GB300 انویدیا انجام شد.

طبق پستی که این شرکت منتشر کرده است، با احتساب ارزیابی‌ها و آزمایش‌ها، Reflection حدود ۱٫۳ میلیارد محیط ایزوله محاسباتی (Sandbox) را برای تمرین مدل اجرا کرد و ظرفیت زیرساخت پردازشی آن در اوج خود به ۸۸۳٬۰۰۶ پردازنده مجازی (vCPU) در قالب ۲۳ خوشه در گوگل کلود و خدمات وب آمازون (AWS) رسید.

در میان تمام آزمایشگاه‌های چینی، شرکت دیپ‌سیک به‌ویژه به دلیل رویکرد نوآورانه‌اش در بهینه‌سازی و ارتقای کارایی تحسین شده است. با این حال، آنتونوگلو تأکید می‌کند که Beam در مقایسه با جدیدترین مدل این شرکت، یعنی DeepSeek V4.1 Flash، دست بالاتر را دارد. او به ارزیابی‌های شرکت مستقل Artificial Analysis استناد کرد که گزارش داده است بر اساس شاخص‌های اولیه، Beam «یکی از بهینه‌ترین مدل‌های وزن‌باز از نظر مصرف توکن در سطح هوشمندی خود به شمار می‌رود». 

با این همه، نام دیپ‌سیک در نموداری که Reflection برای مقایسه امتیازهای Beam با تعداد توکن‌های تولیدی هر مدل منتشر کرده، دیده نمی‌شود. این نمودار که در پست وبلاگی ۵ اکتبر آمده است، مدل‌های GLM-5.2 متعلق به Z.ai، دو نسخه از مدل Qwen 3.8 علی‌بابا، مدل Inkling از آزمایشگاه Thinking Machines، مدل Nemotron 3 Ultra انویدیا و مدل وزن‌باز و کوچک‌تر قبلی متا یعنی Muse Glimmer را شامل می‌شود.

چرا مدلی با توکن‌های گران‌تر می‌تواند برای هر وظیفه ارزان‌تر تمام شود؟

صورت‌حساب هوش مصنوعی یک سازمان از ضرب قیمت هر توکن در تعداد کل توکن‌های مصرف‌شده برای انجام یک وظیفه به دست می‌آید؛ با این حال بیشتر مقایسه‌های قیمتی در بازار، فقط قیمت خام هر توکن را نشان می‌دهند. 

دو مدل فرضی را در نظر بگیرید: مدل A برای هر یک میلیون توکن ۱ دلار دریافت می‌کند و برای رفع یک باگ نرم‌افزاری به ۳۰٬۰۰۰ توکن نیاز دارد؛ بنابراین هزینه رفع باگ ۳ سنت خواهد بود. مدل B دو برابر گران‌تر است و به ازای هر یک میلیون توکن ۲ دلار می‌گیرد، اما همان باگ را فقط با ۱۰٬۰۰۰ توکن برطرف می‌کند؛ در نتیجه هزینه نهایی مدل B برای همان کار ۲ سنت تمام می‌شود. هرچند ارائه‌دهندگان معمولاً برای توکن‌های ورودی (خوانده‌شده توسط مدل) و توکن‌های خروجی (تولیدشده توسط مدل) قیمت‌های متفاوتی تعیین می‌کنند، اما قاعده کلی این ضرب ریاضی برای هر دو یکسان است.

قیمت هر توکن عددی است که خریداران در برگه تعرفه‌ها مشاهده می‌کنند و در یک نظرسنجی ماهانه پیرامون زیرساخت‌های هوش مصنوعی، سهم فزاینده‌ای از پاسخ‌دهندگان آن را به‌عنوان یکی از عوامل اصلی انتخاب خود نام برده‌اند. در این نظرسنجی در ماه سپتامبر، ۲۳ درصد از شرکت‌کنندگان هزینه هر یک میلیون توکن را عاملی تعیین‌کننده در انتخاب زیرساخت هوش مصنوعی دانستند؛ رقمی که نسبت به ۱۱ درصد ماه اوت افزایش قابل‌توجهی داشته است.

به گفته آنتونوگلو، وقتی یک مدل برای حل یک مسئله توکن‌های زیادی تولید می‌کند، این مشتری نهایی است که باید بهای تمام آن توکن‌های اضافی را بپردازد.

مدل‌هایی که بیشترین توکن را در پلتفرم OpenRouter (سرویس توزیع درخواست‌های توسعه‌دهندگان میان مدل‌های مختلف) تولید می‌کنند، ابعادی مشابه Beam دارند. او این دسته از مدل‌ها را «مدل‌های کاری یا Flash» نامید؛ مدل‌های سریع و میان‌رده‌ای که مراکزی مانند دیپ‌سیک برای وظایف روزمره منتشر می‌کنند. مدل Beam در مجموع ۵۰۱ میلیارد پارامتر دارد که در هر لحظه ۲۳ میلیارد از آن‌ها را به‌عنوان پارامترهای فعال برای پردازش هر توکن به کار می‌گیرد. به گفته این شرکت، هدف Beam این است که به مدلی همه‌فن‌حریف و کارآمد برای کدنویسی و اجرای وظایف ایجنتی تبدیل شود.

مدل Muse Spark Open متا به ازای هر توکن تقریباً دو برابر پارامتر فعال مصرف می‌کند

در مقام مقایسه، مدل وزن‌باز جدید متا یعنی Muse Spark Open، به ازای هر توکن ۴۲ میلیارد پارامتر فعال را درگیر می‌کند، در حالی که این رقم برای Beam تنها ۲۳ میلیارد پارامتر است. شرکت Reflection توان پردازشی لازم برای تولید هر توکن را بر اساس پارامترهای فعال مدل تخمین می‌زند؛ بنابراین طبق محاسبات انجام‌شده با این روش، تولید هر توکن در Muse Spark Open حدود ۱٫۸ برابر توکن‌های Beam توان پردازشی مصرف می‌کند. 

متا هنوز آماری از تعداد توکن‌های مصرفی Muse Spark Open برای هر وظیفه منتشر نکرده است. با این حال، پلتفرم هاگینگ فیس در پست معرفی این مدل اعلام کرد سطح توان استدلال (Reasoning Effort) در Muse Spark Open به‌صورت پیش‌فرض روی بالاترین حالت تنظیم شده و به توسعه‌دهندگان توصیه کرد برای وظایف ساده، این سطح را پایین بیاورند تا توکن‌های کمتری مصرف شود.

مدل متا در همان روز نخست عرضه قیمت‌گذاری شد: چهار ارائه‌دهنده در پلتفرم OpenRouter مدل Muse Spark Open را با قیمت ۱٫۲۵ دلار به ازای هر یک میلیون توکن ورودی و ۴٫۲۵ دلار برای هر یک میلیون توکن خروجی فهرست کرده‌اند. با این حال، Reflection هنوز قیمتی ارائه نداده و اعلام کرده است که تعیین تعرفه برای سرویس میزبانی‌شده اختصاصی‌اش همچنان ادامه دارد؛ سرویسی که در دوره آزمایشی عمومی به‌صورت رایگان ارائه می‌شود و همکارانی نظیر Baseten نیز قیمت‌های خاص خود را تعیین خواهند کرد.

مجوزهای استفاده از این دو مدل نیز تفاوت‌های چشمگیری دارند. وزن‌های مدل Beam تحت مجوز آپاچی ۲٫۰ (Apache 2.0) منتشر شده‌اند؛ در حالی که مجوز مدل Muse متا ایجاب می‌کند محصولاتی که بر پایه این مدل ساخته می‌شوند عبارت «توسعه‌یافته با Muse Spark Open» را نمایش دهند. متا همچنین برای شرکت‌هایی با درآمد سالانه بیش از ۲۰ میلیون دلار که دسترسی به این مدل را در قالب یک سرویس می‌فروشند، امضای قراردادی جداگانه را الزامی کرده است.

شرکت Reflection اعلام کرد هنوز مدل Beam را مستقیماً با Muse Spark Open مقایسه نکرده است؛ اما تأکید دارد کارایی بالای این مدل در استدلال و همچنین بستری که آن را «سیستم‌عامل باز» می‌نامد (نرم‌افزاری برای اجرا و استقرار Beam که Reflection با همکاری شرکای تجاری‌اش توسعه می‌دهد)، این مدل را متمایز می‌کند. این شرکت همچنین از رقابت با متا استقبال و عنوان کرد عرضه هم‌زمان چندین مدل وزن‌باز توسط آزمایشگاه‌های مختلف، گزینه‌های متنوع‌تری را پیش روی شرکت‌ها و توسعه‌دهندگان قرار می‌دهد.

این دو رویداد نشان می‌دهند که آزمایشگاه‌های آمریکایی چگونه به پیشتازی چین در عرصه مدل‌های وزن‌باز پاسخ می‌دهند. اگرچه زمایشگاه‌های چینی همچنان صدر جدول بنچمارک‌های مدل‌های وزن‌باز را در اختیار دارند، اما متا با تکیه بر قدرت خام وارد میدان شده است: مدلی بزرگ‌تر که به ادعای متا، پیشرفته‌ترین مدل‌های چینی را در دو آزمون ارزیابی ایجنت‌ها و استفاده از ابزارها (شامل JobBench و MCP-Atlas) شکست می‌دهد. در طرف مقابل، استارتاپ Reflection رویکرد چابکی و بهینگی را برگزیده است: مدلی کوچک‌تر که آموزش دیده تا هر کار را با توکن‌های کمتری تکمیل کند. برای سازمان‌هایی که در حال انتخاب یک مدل وزن‌باز هستند، این دو رویکرد یک پرسش اساسی را به دو مسئله مجزا تقسیم می‌کند: نخست اینکه کدام مدل بیشترین کارایی را دارد، و دوم اینکه کدام مدل همان کار را با کمترین هزینه ممکن به انجام می‌رساند.

استقبال شرکت‌های دوردش، کوین‌بیس و پینترست از مدل‌های وزن‌باز چینی برای کاهش هزینه‌ها

شماری از شرکت‌های برجسته آمریکایی، مدل‌های وزن‌باز (به‌ویژه مدل‌های چینی) را عامل اصلی کاهش چشمگیر هزینه‌های خود دانسته‌اند. پینترست مدل گفت‌وگویی دستیار خرید خود موسوم به Navigator 1 را بر پایه مدل Qwen شرکت علی‌بابا توسعه داده است. مت مادریگال (Matt Madrigal)، مدیر ارشد فناوری پینترست، در پادکست Beyond the Pilot اظهار داشت: «ما مدلی گفت‌وگویی مبتنی بر هوش مصنوعی به نام Navigator 1 راه‌اندازی کرده‌ایم که روی مدل Qwen 3 VL ساخته شده است.» بیل ردی (Bill Ready)، مدیرعامل پینترست نیز در نوامبر ۲۰۲۵ به سرمایه‌گذاران اعلام کرد این شرکت با به‌کارگیری مدل‌های وزن‌باز فاین‌تیون‌شده (بهینه‌سازی‌شده اختصاصی) در مقایسه با مدل‌های تجاری و انحصاری پیشرو، شاهد کاهش ۹۰ درصدی هزینه‌ها بوده است.

اندی فانگ (Andy Fang)، مدیر ارشد فناوری دوردش، به گزارش نشریه Fortune، مدل Kimi ساخت استارتاپ چینی Moonshot را دارای «کیفیت بالاتر و هزینه‌ای ارزان‌تر» برای بازبینی کدها دانست. برایان آرمسترانگ (Brian Armstrong)، مدیرعامل کوین‌بیس نیز طبق گزارش وب‌سایت MLQ عنوان کرد که این صرافی پس از تبدیل مدل‌های GLM شرکت Z.ai و Kimi به مدل‌های پیش‌فرض در ابزارهای داخلی‌اش، توانست هزینه‌های هوش مصنوعی خود را تقریباً به نصف برساند. علاوه بر این، برایان چسکی (Brian Chesky)، مدیرعامل ایربی‌ان‌بی، در اکتبر ۲۰۲۵ مدل Qwen را «سریع و ارزان» توصیف کرد (به گزارش بلومبرگ).

در پلتفرم ورسل (Vercel) که درخواست‌های توسعه‌دهندگان را به مدل‌های مختلف هدایت می‌کند، به گزارش پایگاه Rest of World، سهم دیپ‌سیک از کل توکن‌های پردازش‌شده در ماه مه ۲۰۲۶ از زیر ۱ درصد به ۱۷ درصد جهش کرد. با این حال، سهم دیپ‌سیک از پولی که توسعه‌دهندگان در ورسل برای مدل‌ها خرج کردند، نزدیک به ۱ درصد باقی ماند؛ به این معنا که دیپ‌سیک حجم کاری به‌مراتب بزرگ‌تری را از نظر تعداد توکن بر دوش کشیده، در حالی که به دلیل ارزانی فوق‌العاده هر توکن، هزینه بسیار ناچیزی تحمیل کرده است.

آنتونوگلو روند رو به گسترش استقبال شرکت‌های آمریکایی از مدل‌های چینی را انکار نکرد، اما اظهار داشت که مدل Beam «صرفاً بر اساس شایستگی‌های فنی خود پیروز خواهد شد و نه بر مبنای هیچ عامل دیگری».

با این وجود، مدیر ارشد فناوری Reflection به خطرات احتمالی اجرای مدل‌های چینی روی سرورهای داخلی شرکت‌ها نیز اشاره کرد.

به گفته او، قوانین نظارتی و حقوقی پیرامون استفاده از مدل‌های چینی ممکن است تغییر کند و سازمان‌ها با مسائلی نظیر مسئولیت قانونی و اصالت مدل (اینکه مدل دقیقاً از کجا آمده و چگونه آموزش دیده است) مواجه خواهند شد. او همچنین توضیح داد که به‌کارگیری هر مدلی، سازمان را به آزمایشگاه سازنده آن وابسته می‌کند و در نتیجه، استفاده گسترده از مدل‌های چینی می‌تواند «بخش‌های بنیادین اقتصاد آمریکا» را به فناوری چین وابسته سازد. ریسک جدیدتر ناشی از ایجنت‌ها است؛ مدل‌ها دیگر فقط به چت کردن بسنده نمی‌کنند، بلکه به‌عنوان ایجنت‌هایی با دسترسی مستقیم به ابزارها و داده‌های حساس سازمان عمل می‌کنند. آنتونوگلو معتقد است هیچ سازمانی نمی‌تواند مطمئن باشد که یک مدل طوری آموزش ندیده باشد که «تنها در سناریوهای خاص رفتارهای پنهانی خاصی را فعال کند». با این همه، او تصریح کرد: «قصد من این نیست که بگویم مدل‌های چینی بد هستند.»

بسیاری از سازمان‌هایی که مدل‌های وزن‌باز را به کار می‌گیرند، حتی ممکن است از خطرات ناشی از مشخص نبودن اصالت مدل‌ها آگاه نباشند. در نظرسنجی انجام‌شده در ماه سپتامبر، ۳۲ نفر از پاسخ‌دهندگان اعلام کردند که از مدل‌های وزن‌باز استفاده می‌کنند. از این میان، ۵۶ درصد پاسخ‌دهندگان نتوانستند با اطمینان بگویند که مدل‌های موجود در زیرساخت نرم‌افزاری آن‌ها از کجا منشأ گرفته‌اند، یا اصلاً نمی‌دانستند که آیا مدلی از آزمایشگاه‌های چینی در مجموعه آن‌ها وجود دارد یا خیر. ۳۱ درصد دیگر اظهار داشتند هیچ‌یک از مدل‌هایشان ساخت چین نیست و ۱۳ درصد باقی‌مانده نیز عنوان کردند مدل‌های چینی از طریق یک فروشنده، پلتفرم یا فریم‌ورک بیرونی وارد زیرساخت آن‌ها شده است. جالب اینکه هیچ‌کدام از پاسخ‌دهندگان گزینه‌ای را انتخاب نکردند که نشان دهد مدل‌های چینی را آگاهانه و با تصمیم قبلی برگزیده‌اند.

نمونه ابزار کدنویسی کرسر (Cursor) نشان می‌دهد که چگونه یک مدل چینی می‌تواند بدون سر و صدا وارد اکوسیستم شود. شرکت سازنده این ابزار هوش مصنوعی، مدل Composer 2 خود را بر پایه مدل Kimi K2.5 استارتاپ Moonshot توسعه داده بود. این شرکت تنها زمانی توسعه Composer 2 بر پایه Kimi را تأیید کرد که یک برنامه‌نویس نام مدل چینی را در ترافیک شبکه کرسر ردیابی کرد؛ موضوعی که در گزارش‌های ماه مارس به‌طور عمومی فاش شد.

در پاسخ به این پرسش که آیا مدل Beam از خروجی‌های مدل‌های شرکت‌های دیگر (چینی یا غیرچینی) آموزش دیده است یا خیر، Reflection اعلام کرد این مدل را از ابتدا (Scratch) و با وزن‌های کاملاً جدید آموزش داده و از خروجی هیچ مدل دیگری استفاده نکرده است. شرکت Reflection همچنین توضیح داد که داده‌های مصنوعی اشاره‌شده در پست وبلاگی ۵ اکتبر، صرفاً به معنای محیط‌های شبیه‌سازی‌شده‌ای است که این استارتاپ برای فرآیند یادگیری تقویتی طراحی کرده است.

جریمه مدل Beam برای مصرف توکن‌های اضافی در طول چهار هفته یادگیری تقویتی

فرآیند یادگیری تقویتی Reflection، این مدل را برای انجام وظایف کدنویسی، عملیات ایجنتی، محاسبات علمی و ریاضیات تربیت کرده است. به نوشته Reflection، در همان ابتدای چرخه آموزش و با وجود کوتاه‌تر شدن پاسخ‌ها، نمرات ارزیابی Beam روندی صعودی را تجربه کردند. کاربران همچنین می‌توانند سطح توان استدلال مدل را به دلخواه تنظیم کنند که در تنظیمات پایین‌تر، پاسخ‌های کوتاه‌تری تولید می‌شود.

آنتونوگلو موازنه‌ای را تشریح کرد که استارتاپ Reflection از طریق اعمال جریمه به دنبال برقراری آن بوده است. مدل‌های بزرگ‌تر برای حل یک مسئله به توکن‌های کمتری نیاز دارند، اما پردازش هر توکن در آن‌ها هزینه محاسباتی سنگین‌تری دارد. در مقابل، مدل‌های کوچک‌تر به ازای هر توکن ارزان‌تر تمام می‌شوند، اما برای به نتیجه رساندن کار به توکن‌های بیشتری احتیاج دارند. او در این باره گفت: «هدف ما دستیابی به مدلی است که در مقیاس ابعاد خود، کمترین تعداد توکن ممکن را برای اتمام کار به کار گیرد.»

تیم Reflection همچنین ناچار بود مانع از تقلب مدل Beam شود. در پدیده «هک پاداش» (Reward Hacking)، مدل هوش مصنوعی راه میان‌بری پیدا می‌کند تا بدون انجام کار واقعی، امتیاز آموزشی تعیین‌شده را به دست آورد. آنتونوگلو شناسایی و مهار این رفتار را به یک بازی موش و گربه تشبیه کرد؛ چراکه به محض مسدود شدن یک راه میان‌بر توسط تیم، مدل مسیر دیگری برای دور زدن سیستم پیدا می‌کرد.

البته همه میان‌برها مخرب نبودند. مدل Beam صرفاً ورودی‌های متنی را پردازش می‌کند؛ بنابراین زمانی که به اینترنت دسترسی پیدا کرد و ناچار شد محتوای تصویری حاوی متن را بخواند، خودبه‌خود به دنبال کمک گرفتن از ابزارهای بیرونی رفت. به گفته شرکت، Beam به‌طور خودآموز یاد گرفت که در اینترنت جستجو کند، از سایر مدل‌های هوش مصنوعی آنلاین کمک بخواهد و از سرویس‌های OCR (تشخیص اپتیکال نویسه‌ها برای تبدیل تصویر متن به نوشتار) بهره ببرد. آنتونوگلو این رفتار را یک میان‌بر مثبت ارزیابی کرد؛ نشانه‌ای از اینکه مدل «برای حل مسئله خلاقیت به خرج می‌دهد، نه اینکه دست به اقدامی مخرب بزند».

نمودار مقایسه‌ای: مصرف یک‌سوم توکن‌های GLM-5.2 توسط مدل Beam در یک آزمون ارزیابی

در پست وبلاگی ۵ اکتبر Reflection آمده است که مدل Beam در آزمون‌های استدلال پیشرفته، «با مصرف ۳ تا ۴ برابر توان محاسباتی کمتر در زمان استنتاج، به امتیازاتی هم‌سطح GLM-5.2 دست می‌یابد». البته رقم پردازشی اعلام‌شده صرفاً یک برآورد است و نه یک سنجش دقیق؛ چراکه این رقم تنها پردازش لازم برای تولید توکن‌های خروجی را (که با تعداد پارامترهای فعال مدل رابطه مستقیم دارد) محاسبه می‌کند و توان لازم برای خواندن دستور ورودی (پرامپت) را در نظر نمی‌گیرد. این بخش نادیده‌گرفته‌شده، دقیقاً در وظایف ایجنتی و کدنویسی که پرامپت‌ها معمولاً بسیار طولانی هستند، اهمیت فوق‌العاده‌ای پیدا می‌کند.

جو اسپیساک (Joe Spisak)، نایب‌رئیس بخش محصول در Reflection، اعلام کرد توسعه‌دهندگانی که مدل Beam را آزمایش کرده‌اند نیز به نتایج مشابهی رسیده‌اند. او تأکید کرد که شرکت‌کنندگان در نسخه پیش‌نمایش خصوصی Beam (که از ۵ اکتبر برای افراد حاضر در لیست انتظار فعال شد)، شاهد «تقریباً سه برابر کارایی بالاتر در استدلال نسبت به بسیاری از مدل‌های دیگر» بوده‌اند.

تعداد توکن‌های ثبت‌شده در نمودار شرکت Reflection در آزمون‌های مختلف تفاوت دارد. بر اساس داده‌های این نمودار، در بنچمارک Terminal-Bench 2.1، مدل Beam با تولید حدود ۲۵٬۰۰۰ توکن در هر تلاش، امتیاز حدود ۸۰ درصد را به دست می‌آورد. در مقابل، مدل GLM-5.2 با تولید حدود ۸۰٬۰۰۰ توکن، امتیازی کمی پایین‌تر ثبت می‌کند که نشان می‌دهد Beam در این بنچمارک تقریباً یک‌سوم مدل چینی توکن مصرف کرده است. در بنچمارک مهندسی نرم‌افزار DeepSWE نیز هر دو مدل به امتیاز تقریباً برابری می‌رسند، اما مصرف توکن Beam اندکی بیش از نصف مصرف توکن GLM-5.2 است.

ابعاد کوچک‌تر Beam مزیت صرفه‌جویی در مصرف توکن را دوچندان می‌کند. طبق اعلام Reflection، مدل GLM-5.2 به ازای هر توکن ۴۰ میلیارد پارامتر فعال را درگیر می‌کند، در حالی که این رقم برای Beam برابر با ۲۳ میلیارد پارامتر است؛ بنابراین Beam علاوه بر تولید توکن‌های کمتر، برای پردازش هر تک‌توکن نیز به اندکی بیش از نصف توان محاسباتی رقیب نیاز دارد.

استارتاپ Reflection هنوز رقم دلاری دقیقی برای کارایی اقتصادی Beam اعلام نکرده است. اسپیساک در پاسخ به این پرسش که اتمام یک وظیفه کدنویسی روی Beam در مقایسه با دیپ‌سیک یا GLM چقدر هزینه در بر دارد، گفت: «ما در حال حاضر رقم ملموس و مشخصی برای ارائه در این زمینه نداریم.» به گفته Reflection، پلتفرم Baseten ارائه Beam را از طریق OpenRouter آغاز کرده است، اما تا زمان انتشار این خبر تعرفه‌ای برای آن ثبت نشده بود.

اسپیساک همچنین اذعان کرد که کاهش تعداد توکن‌ها و توان محاسباتی لزوماً همیشه به کاهش مستقیم صورت‌حساب ختم نمی‌شود. او با اشاره به کرنل‌ها (نرم‌افزارهای سطح پایینی که مدل را روی تراشه‌های سخت‌افزاری اجرا می‌کنند) گفت: «مدل‌های دیپ‌سیک یا Qwen ممکن است کرنل‌های بهتر یا کرنل‌های ادغام‌شده (Fused Kernels) پیشرفته‌تری داشته باشند و در عمل به‌شکل چشمگیری کارآمدتر عمل کنند.» شرکت Reflection برای حل این مسئله اعلام کرد با شرکای تجاری خود برای توسعه کرنل‌های اختصاصی جهت کاهش تأخیر و ارتقای پهنای باند خروجی Beam همکاری کرده و یک مدل پیش‌نویس (Draft Model) کوچک‌تر را نیز برای افزایش سرعت تولید توکن‌ها عرضه می‌کند.

در جدول مقایسه مهارت‌های کدنویسی که Reflection منتشر کرده است، مدل DeepSeek V4.1 Flash در بنچمارک Terminal-Bench 2.1 به امتیاز ۹۰٫۶ درصد دست یافته است، در حالی که امتیاز Beam برابر با ۸۰٫۱ درصد است. از سوی دیگر، متا در شناسنامه فنی مدل خود، امتیاز Muse Spark Open را در همین آزمون ۷۶٫۴ درصد اعلام کرده که در برابر امتیاز ۸۵٫۰ درصدی مدل Kimi K3 استارتاپ Moonshot در جایگاه پایین‌تری قرار می‌گیرد.

آنتونوگلو تصریح کرد که مدل Beam ساخته نشده تا در تمام زمینه‌ها جایگزین مدل‌های پیشرو و پرچمداری چون کلود (Claude) شرکت آنتروپیک یا GPT-6 Astra شرکت اوپن‌ای‌آی شود. به گفته او، هدف اصلی Beam تمرکز بر وظایفی است که «بخش عمده‌ای از بودجه توکن شما را می‌بلعند».

درس مهم از پروژه لاما متا: مدل هوش مصنوعی باید استقرار آسانی داشته باشد

اسپیساک که پیش‌تر مدیریت محصول نسل‌های اول تا سوم مدل لاما (Llama) در شرکت متا را بر عهده داشته است، می‌گوید پروژه Llama 4 مسیر اشتباهی را در پیش گرفت؛ زیرا متا بیش از حد «روی بنچمارک‌ها و معیارهایی از این دست متمرکز شد و جامعه توسعه‌دهندگانی را که پیرامون مدل شکل گرفته بودند نادیده گرفت».

استارتاپ Reflection سیستم‌عامل باز خود برای ایجنت‌های هوش مصنوعی را با همکاری ۳۳ شریک تجاری رسمی توسعه داده و اعلام کرده است که حدود ۹ شریک دیگر نیز در انتظار تأیید نهایی هستند. این بسته نرم‌افزاری تمام مراحل اجرا، شخصی‌سازی و استقرار Beam را پوشش می‌دهد. این استارتاپ استدلال می‌کند که بسیاری از آزمایشگاه‌ها مدل‌های وزن‌باز را روی هاگینگ فیس رها می‌کنند و وظیفه سرهم‌بندی نرم‌افزارهای جانبی را بر دوش توسعه‌دهندگان می‌گذارند. اسپیساک در این باره می‌گوید: «ما می‌خواستیم فرآیند توسعه، شخصی‌سازی و استقرار را به ساده‌ترین شکل ممکن درآوریم.»

شرکت Reflection این نرم‌افزار را تحت مجوز آپاچی ۲٫۰ (همان لایسنس وزن‌های مدل Beam) منتشر می‌کند. این بسته شامل کانتینرهایی است که به هر شرکتی اجازه می‌دهد تنها با اجرای یک دستور ساده، مدل Beam را روی سرورهای خود دریافت کند. اسپیساک می‌گوید: «مثل یک چشم بر هم زدن، مدل Beam ظرف چند دقیقه روی زیرساخت کوبرنتیز (Kubernetes) شما مستقر شده و آماده اجرا است.» 

این بسته نرم‌افزاری همچنین شامل ابزار Mirror CLI است؛ یک ایجنت کدنویسی متن‌باز و مبتنی بر خط فرمان که با زبان‌های راست (Rust) و پایتون نوشته شده و به گفته اسپیساک، تیم Reflection در حال حاضر برای نگارش و بازبینی کدهای مدل خود به‌صورت داخلی از آن استفاده می‌کند.

اسپیساک اشاره کرد که بیشترین تقاضای بازار تاکنون برای ایجنت‌های کدنویسی درون‌سازمانی بوده است؛ ابزارهایی که شرکت‌ها مایل‌اند کنترل کامل آن را در دست داشته باشند و حتی آن‌ها را در محیط‌های ایزوله و کاملاً قطع از اینترنت (Air-gapped) اجرا کنند. شرکت‌های نام‌آشنایی نظیر Dell و HPE مدل Beam را روی سخت‌افزارهای خود مشتریان نصب خواهند کرد و Reflection نیز مهندسان فنی میدانی خود را به محل شرکت‌ها اعزام می‌کند تا در توسعه و پیاده‌سازی این ایجنت‌های کدنویسی مشارکت کنند.

به گفته اسپیساک، مدل Beam روی یک تک‌سرور مجهز به هشت پردازنده گرافیکی جا می‌گیرد. به گفته Reflection، این پیکربندی ۸ پردازنده‌ای به نسخه‌های کوانتیزه‌شده ۴ بیتی و ۸ بیتی Beam مربوط می‌شود که رایج‌ترین فرمت‌ها برای محیط‌های عملیاتی هستند. این نسخه‌ها را می‌توان روی سرورهای ۸ پردازنده‌ای مبتنی بر تراشه‌های H100، H200 یا GB300 انویدیا میزبانی کرد. با این حال، اجرای نسخه اصلی با دقت کامل (Full-precision) که هر عدد را در ۱۶ بیت ذخیره می‌کند، طبق اعلام شرکت نیازمند «ده‌ها پردازنده گرافیکی» خواهد بود. 

اسپیساک همچنین اعلام کرد تیم نرم‌افزار متن‌باز vLLM (ابزاری محبوب که بسیاری از شرکت‌ها برای سرو مدل‌ها به کار می‌برند)، پستی منتشر خواهد کرد که نحوه اجرای وزن‌های Beam در فرمت ۴ بیتی MXFP4 را نشان می‌دهد؛ قالبی که تراشه‌های AMD و نسل جدید تراشه‌های بلک‌ول (Blackwell) انویدیا از آن پشتیبانی می‌کنند. در همین حال، متا نحوه اجرای Muse Spark Open را روی دو رایانه مک استودیو اپل که به هم متصل شده بودند به نمایش گذاشت و هاگینگ فیس نیز نسخه ۴ بیتی Muse Spark Open را برای اجرا روی سرورهای هشت پردازنده‌ای انویدیا فهرست کرده است.

شرکت Reflection هنوز نامی از مشتریان تجاری پولی خود نبرده، اما از یکی از نخستین کاربران اولیه این مدل رونمایی کرده است: شرکت اورا (Oura)، سازنده حلقه‌های هوشمند سلامت، مدل Beam را در قالب دسترسی زودهنگام از طریق پلتفرم ابری Modal (یکی از همکاران Reflection) آزمایش کرد. تیم هوش سلامت اورا در بیانیه‌ای که توسط Reflection منتشر شد اظهار داشت: «ما دریافتیم که مدل Beam در مقایسه با سایر مدل‌های پیشرو و پرچمداری که ارزیابی کردیم، نشت کانتکست کمتری دارد و پاسخ‌های آن بسیار مستندتر و اتکاپذیرتر است.»

اسپیساک عنوان کرد مشتریان نهایی سایر شرکای Reflection «نام‌های بسیار بزرگی هستند که هنوز امکان افشای هویت آن‌ها وجود ندارد»، اما به زودی اسامی برخی از آن‌ها علنی خواهد شد. یکی از پروژه‌های مشترک اعلام‌شده، همکاری با گروه شینسگائه (Shinsegae)، غول خرده‌فروشی کره جنوبی است که در حال ساخت چیزی تحت عنوان «کارخانه هوش مصنوعی» در کره برای خدمت‌رسانی به کاربران محلی است. به گفته اسپیساک، این دو شرکت در حال توسعه مشترک ایجنت‌های خرید هوشمند هستند و برنامه‌ریزی برای استقرار نهایی آن‌ها در جریان است.

مدیر ارشد فناوری Reflection گزارش تصاحب توسط انویدیا را «شایعه‌ای بی‌اساس» خواند

نشریه فایننشال تایمز در تاریخ ۱۰ اکتبر گزارش داده بود که انویدیا در حال انجام مذاکرات اولیه برای تصاحب استارتاپ Reflection یا افزایش سرمایه‌گذاری در آن است. آنتونوگلو از انویدیا به‌عنوان «یک شریک نزدیک و سرمایه‌گذار کلیدی» یاد کرد که از دور جذب سرمایه سری B از Reflection حمایت کرده است. او با «بی‌اساس خواندن این شایعات» تصریح کرد: «ما به‌عنوان شرکتی مستقل، همچنان به مأموریت خود برای توسعه هوش مصنوعی پیشرو و وزن‌باز متعهد هستیم.» با این حال، او مذاکره میان دو طرف را صریحاً تکذیب نکرد.

استقرار ایمن مدل Beam نیازمند تخصص و مهارت فنی است

آنتونوگلو در ارتباط با ایمنی این مدل تأکید کرد: «تا زمانی که یک سازمان مأموریتی شفاف و ابزارهای مناسب در اختیار مدل بگذارد، معتقدم هیچ خطر معنادار و جدی در استقرار این سیستم‌ها در محیط‌های سازمانی وجود ندارد.» اما او یادآور شد که این کار نیازمند دانش تخصصی است: «اگر ناشیانه دست به این کار بزنید، ممکن است به خودتان آسیب بزنید.» شرکت Reflection هم‌زمان با عرضه این مدل، گزارشی ایمنی (Beam Safety Report) منتشر و رویکردها و آزمون‌های امنیتی خود را تشریح کرد؛ گزارشی که نشان می‌دهد گروه‌های مستقلی نظیر Gray Swan، Irregular و SecureBio مدل Beam را پیش از عرضه عمومی مورد ارزیابی امنیتی قرار داده‌اند.

ارزیابی هزینه واقعی به ازای هر وظیفه تکمیل‌شده

آزمایش‌ها و ارزیابی‌های میدانی برای مقایسه هزینه نهایی انجام هر وظیفه میان مدل‌های Beam، Muse Spark Open، DeepSeek V4.1 Flash و GLM-5.2 در دست انجام است و نتایج آن به زودی منتشر خواهد شد.

در نظرسنجی ماه سپتامبر در حوزه زیرساخت و توان پردازشی هوش مصنوعی، ۱۰۲ پاسخ‌دهنده واجد شرایط از سازمان‌هایی با ۱۰۰ کارمند یا بیشتر شرکت داشتند. پرسش مربوط به مدل‌های ساخته‌شده در آزمایشگاه‌های چین از ۳۲ سازمانی پرسیده شد که از مدل‌های وزن‌باز در سیستم‌های خود استفاده می‌کنند.