Storia
ottobre 6, 2026
Beam è la scommessa ad alto rischio di Reflection AI per sfidare il primato cinese nei modelli aperti
Reflection AI presenta Beam come un contrattacco americano nei modelli aperti: un tentativo di combinare controllo locale e apertura con costi di calcolo molto inferiori. La sfida per l'azienda è trasformare queste affermazioni in prestazioni verificate in modo indipendente rispetto ai rivali cinesi, che continuano a dettare il ritmo.
Reflection AI è stata fondata nel marzo 2024 dagli ex ricercatori di Google DeepMind Misha Laskin e Ioannis Antonoglou, entrando in un mercato in cui gli sviluppatori cinesi hanno costruito una presenza dominante nei modelli a pesi aperti. Beam punta a cambiare questa equazione, non eguagliando i rivali parametro per parametro, ma rendendo l'IA di livello frontier meno costosa da eseguire.1
Quest'anno la startup ha iniziato a costruire l'infrastruttura per questa scommessa. A maggio ha stretto una partnership per fornire modelli al Dipartimento dell'Energia e al Dipartimento della Guerra degli Stati Uniti, poi a giugno ha firmato un accordo da 6,3 miliardi di dollari per capacità di calcolo con SpaceX e a luglio un ulteriore accordo da 1 miliardo di dollari tramite Nebius. Prima del lancio di Beam, un post ampiamente condiviso affermava che il modello avrebbe dovuto competere con «i migliori modelli cinesi a pesi aperti», citando la forte spesa di Reflection per la capacità di calcolo di Colossus.
2
Beam, presentato questo mese, è un modello mixture-of-experts da 501 miliardi di parametri che ne attiva soltanto 23 miliardi per token. Reflection sostiene che questa progettazione gli conferisca prestazioni competitive nella programmazione e nei compiti agentici a una frazione del costo per token e del calcolo di inferenza dei rivali. Nel suo annuncio Beam è stato definito un modello che «fa avanzare la frontiera aperta occidentale nella programmazione e nei compiti agentici», con i pesi completi previsti per il rilascio questo mese.3
Questa proposta si contrappone direttamente al vantaggio di scala della Cina. Kimi K3 di Moonshot ha 2,8 trilioni di parametri totali e ne attiva 104 miliardi per token; V4-Pro di DeepSeek ha 1,6 trilioni di parametri totali e ne attiva 49 miliardi. Reflection afferma che Beam può utilizzare fino a quattro volte meno calcolo di inferenza, mentre Laskin sostiene che «il progresso tecnologico è guidato dai valori dell'apertura e della collaborazione».4
Ma la competizione non si decide con un annuncio di lancio. Reflection ha dichiarato che i test interni di Beam ricordano GLM-5.2 di Z.ai, ma al momento della pubblicazione non erano disponibili dati pubblici dei benchmark di Artificial Analysis. Le dichiarazioni di efficienza dell'azienda affrontano ora la prova più difficile: capire se sviluppatori e imprese vedranno Beam come qualcosa di più di un'alternativa patriottica, ovvero come un vero cavallo da lavoro competitivo.