اگر امروز برای اجرای مدل‌های استدلالی سنگین هزینه می‌پردازید، مدل جدید Beam می‌تواند صورت‌حساب محاسباتی شما را تا ۴ برابر کاهش دهد. این ادعای جسورانه، نقطه شروع رقابت جدیدی میان استارتاپ‌های غربی و غول‌های بهینه چینی است.
طبق اعلام Reflection AI در ۶ اکتبر ۲۰۲۶، مدل Beam توانسته است به سطح عملکرد مدل‌های باز چینی در استدلال دست یابد، اما برای رسیدن به این نتیجه، ۳ تا ۴ برابر محاسبات استنتاج (Inference) — همان لحظه‌ای که مدل واقعاً جواب تولید می‌کند، شبیه به خودِ آشپزی و نه دوره‌ی آموزش آشپز — کمتری مصرف می‌کند.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی بهینه‌سازی مدل‌های بازمتن اشاره کردیم، بازار اکنون میان مدل‌های بسته و گران‌قیمت و مدل‌های باز و بهینه چینی تقسیم شده است. برای یک کسب‌وکار، این یعنی انتخاب بین اعتبار OpenAI یا صرفه‌جویی در هزینه‌ها با مدل‌های شرقی. این رقابت در مدل‌های باز، یادآور چالش‌های عرضه MiMo-V2.6 است که تعادلی میان راندمان هزینه و کیفیت عملکرد ایجاد کرده بود. Reflection AI با ارائه یک مدل با وزن‌های باز (Open Weights) — یعنی مدل‌هایی که «دستور پخت» آن‌ها علناً منتشر شده و نه فقط غذای آماده — سعی دارد این شکاف را پر کند.
Beam یک مدل متن‌محور با معماری ترکیب خبره‌ها (Mixture of Experts) است؛ ساختاری شبیه به تیمی از متخصصان که هر سوال را فقط به فرد خبره در آن حوزه می‌سپارد. بر اساس مستندات شرکت، این مدل با استفاده از یادگیری تقویتی با محاسبات بالا، برای تسک‌های کدنویسی و عامل‌محور (Agentic) بهینه شده است. این رویکرد بهینه‌سازی، مشابه استراتژی به‌کاررفته در مدل ZGCM-1 است که توانست با تکیه بر تحقیق و توسعه عامل‌محور، بر مدل‌هایی با اندازه بسیار بزرگ‌تر غلبه کند.
مشخصات فنی این مدل عبارتند از:
- مجموع پارامترها: ۵۰۱ میلیارد
- پارامترهای فعال: ۲۳ میلیارد
- داده‌های پیش‌آموزش: ۲۳.۸ تریلیون توکن (Token) — تکه‌های کوچکی از متن، شبیه برش‌های یک کیک طولانی که مدل تکه‌تکه می‌خورد
- پنجره زمینه (Context Window): ۱ میلیون توکن — میزان متنی که مدل هم‌زمان در ذهن نگه می‌دارد، مثل میز کاری که جا برای چند ورق دارد
به گزارش این شرکت, Beam در سطح مدل GLM-5.2 از شرکت Z.ai قرار دارد، در حالی که مدل چینی ۷۴۴ میلیارد پارامتر دارد. همچنین در آزمون‌های کدنویسی، Beam توانسته از مدل Inkling (محصول آزمایشگاه Thinking Machines متعلق به میرا موراتی) پیشی بگیرد، هرچند Inkling به دلیل چندوجهی (Multimodal) بودن — یعنی توانایی درک هم‌زمان متن، عکس و صدا — همچنان برتری‌های خاص خود را دارد.
برای پشتیبانی از این مقیاس، Reflection AI قراردادهایی به ارزش ۷ میلیارد دلار با SpaceX و Nebius امضا کرده تا دسترسی به تراشه‌های Nvidia GB300 را تا سال ۲۰۲۹ تضمین کند. این زیرساخت برای تحقق چشم‌انداز «کارخانه هوش مصنوعی» آن‌ها حیاتی است.
این استراتژی، ارزش مدل را از یک چت‌بات ساده به تأمین مواد اولیه برای هوش مصنوعی حاکمیتی (Sovereign AI) تغییر می‌دهد. با اجازه دادن به دولت‌ها و سازمان‌ها برای آموزش Beam روی داده‌های محرمانه در محیط‌های درون‌سازمانی (On-premises)، این شرکت به سمت مدل زیرساختی غیرمتمرکز حرکت می‌کند. در حالی که Beam بر بهینه‌سازی تمرکز دارد، غول‌هایی مانند علی‌بابا با استراتژی رسیدن به ASI به دنبال توسعه مدل‌هایی با مقیاس پارامتری بسیار عظیم‌تر هستند.
این رویکرد دقیقاً با دیدگاه جنسن هوانگ، مدیرعامل انویدیا که حامی این استارتاپ است، همسو است. اگر سازمان‌ها به سمت «کارخانه‌های محلی AI» بروند، تقاضا برای سخت‌افزار انویدیا با هر استقرار سازمانی جدید، به‌صورت خطی افزایش می‌یابد.
شرکت Reflection AI که در سال ۲۰۲۴ توسط پژوهشگران سابق Google DeepMind تأسیس شد، اکنون ارزش‌گذاری ۲۵ میلیارد دلاری دارد و ۴.۷ میلیارد دلار سرمایه از مجموعه‌هایی چون Sequoia Capital و Lightspeed جذب کرده است.
گام بعدی شما
- اگر در حال توسعه ابزارهای کدنویسی هستید، منتظر انتشار وزن‌های مدل در اواخر این ماه باشید تا هزینه استنتاج خود را مقایسه کنید.
- بررسی کنید که آیا زیرساخت‌های فعلی شما برای میزبانی یک مدل ۵۰۱ میلیاردی با معماری MoE آماده است یا خیر.
- مدل‌های چینی DeepSeek و Qwen را به عنوان محک اول برای تست‌های استدلالی Beam در نظر بگیرید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو