Histoire
octobre 6, 2026
Beam est le pari à haut risque de Reflection AI pour contester l’avance chinoise dans les modèles ouverts
Reflection AI présente Beam comme une contre-offensive américaine dans les modèles ouverts : une tentative d’associer contrôle local et ouverture à des coûts de calcul bien plus faibles. Le défi de l’entreprise est de transformer ces affirmations en performances vérifiées de manière indépendante face à des rivaux chinois qui continuent de donner le rythme.
Reflection AI a été fondée en mars 2024 par les anciens chercheurs de Google DeepMind Misha Laskin et Ioannis Antonoglou, entrant sur un marché où les développeurs chinois ont établi une présence dominante dans les modèles à poids ouverts. Beam entend changer la donne — non pas en égalant ses rivaux paramètre pour paramètre, mais en rendant l’IA de niveau frontière moins coûteuse à exécuter.1
La start-up a commencé cette année à mettre en place l’infrastructure nécessaire à ce pari. En mai, elle s’est associée à des partenaires pour fournir des modèles au département américain de l’Énergie et au département de la Guerre, puis a signé en juin un accord de capacité de calcul de 6,3 milliards de dollars avec SpaceX et un autre contrat d’un milliard de dollars via Nebius en juillet. Avant la sortie de Beam, une publication largement partagée affirmait que le modèle devait rivaliser avec « les meilleurs modèles chinois à poids ouverts », citant les lourdes dépenses de Reflection en capacité de calcul Colossus.
2
Beam, dévoilé ce mois-ci, est un modèle de mélange d’experts comptant 501 milliards de paramètres, qui n’en active que 23 milliards par token. Reflection affirme que cette conception lui confère des performances compétitives en programmation et dans les tâches agentiques, pour une fraction du coût par token et des ressources d’inférence de ses rivaux. Dans son annonce, l’entreprise a présenté Beam comme un modèle qui « fait progresser la frontière ouverte occidentale en matière de programmation et de tâches agentiques », dont les poids complets devraient être publiés ce mois-ci.3
Cette promesse vise directement l’avantage d’échelle de la Chine. Le Kimi K3 de Moonshot compte 2 800 milliards de paramètres au total et en active 104 milliards par token ; le V4-Pro de DeepSeek compte 1 600 milliards de paramètres au total et en active 49 milliards. Reflection affirme que Beam peut utiliser jusqu’à quatre fois moins de ressources de calcul d’inférence, tandis que Laskin soutient que « le progrès technologique est guidé par les valeurs d’ouverture et de collaboration ».4
Mais la compétition ne se décide pas sur une annonce de lancement. Reflection a déclaré que les tests internes de Beam ressemblent à ceux de GLM-5.2 de Z.ai, mais aucune donnée publique de benchmark d’Artificial Analysis n’était disponible au moment de la rédaction. Les affirmations de l’entreprise sur l’efficacité sont désormais soumises à une épreuve plus difficile : savoir si les développeurs et les entreprises considéreront Beam comme davantage qu’une alternative patriotique — et comme un véritable outil de travail compétitif.