AWS incorpora el modelo de pesos abiertos Beam de Reflection AI para programación agéntica
AWS detalló cómo los desarrolladores pueden implementar el modelo de pesos abiertos Beam de Reflection AI para programación agéntica mediante Amazon SageMaker JumpStart y HyperPod Inference.
Respuesta rápida
¿Qué anunció AWS sobre el modelo Beam de Reflection AI?
AWS publicó una guía técnica para implementar Beam, el modelo de mezcla de expertos de pesos abiertos de Reflection AI para programación agéntica, en Amazon SageMaker. Beam cuenta con 501.000 millones de parámetros totales, 23.000 millones de parámetros activos y una longitud de contexto declarada de 1 millón de tokens, con sus pesos publicados en Hugging Face bajo la licencia Apache 2.0.
Claves
- Reflection AI lanzó Beam, un modelo de pesos abiertos diseñado para tareas de programación agéntica, incluido el mantenimiento de código, el uso de herramientas y flujos de trabajo de varios pasos.
- Beam es un modelo disperso de mezcla de expertos con 501.000 millones de parámetros totales y 23.000 millones de parámetros activos, y Reflection declara una longitud de contexto efectiva de 1 millón de tokens.
- AWS indica que los pesos de Beam están disponibles en Hugging Face bajo la licencia Apache 2.0 en las variantes de checkpoint BF16, FP8 y NVFP4.
- AWS describe dos vías de implementación: un endpoint gestionado en tiempo real de SageMaker JumpStart, o SageMaker HyperPod Inference con JumpStart, SGLang o vLLM para un control nativo de Kubernetes sobre infraestructura de GPU distribuida.
- En su lanzamiento, AWS indica que Beam está disponible en SageMaker JumpStart en las regiones de Este de EE. UU. (Norte de Virginia) y Este de EE. UU. (Ohio).
Reflection AI ha lanzado Beam, un modelo de pesos abiertos diseñado para programación agéntica y tareas de largo alcance, como el mantenimiento de código, el uso de herramientas, la interpretación de resultados y la finalización de flujos de trabajo de varios pasos. AWS detalló el lanzamiento en una entrada de blog en la que explica cómo los desarrolladores pueden implementar el modelo en su infraestructura.
Según AWS, la misión de Reflection AI es hacer que la inteligencia sea abierta y accesible mediante pesos de modelos abiertos, investigación publicada y software de código abierto, y Beam extiende ese enfoque a la ingeniería de software y los sistemas agénticos.
Qué es Beam
AWS describe Beam como un modelo disperso de mezcla de expertos para resolver problemas de software, modificar código, invocar herramientas y actuar sobre resultados intermedios. Tiene 501.000 millones de parámetros totales y 23.000 millones de parámetros activos. Reflection declara una longitud de contexto efectiva de 1 millón de tokens.
Reflection ha publicado los pesos de Beam en Hugging Face bajo la licencia Apache 2.0. Beam 1.0 está disponible en tres variantes de checkpoint: BF16, FP8 y NVFP4, que, según AWS, ofrecen distintas huellas de memoria y compatibilidad de hardware.
Cómo implementarlo en AWS
AWS expone dos vías principales de implementación para Beam:
- Endpoint en tiempo real de Amazon SageMaker JumpStart: una vía totalmente gestionada que empaqueta el modelo, el contenedor y el endpoint sin que los clientes necesiten operar Kubernetes.
- Amazon SageMaker HyperPod Inference: combinado con JumpStart, SGLang o vLLM, para clientes que necesitan control nativo de Kubernetes sobre infraestructura de GPU distribuida, imágenes de servicio, argumentos de tiempo de ejecución, cuantización o ejecución distribuida.
AWS indica que Beam puede obtenerse a través de SageMaker JumpStart, el Hugging Face Hub o una réplica opcional en Amazon S3.
Requisitos de hardware
AWS señala que los 501.000 millones de parámetros totales de Beam requieren una implementación con múltiples GPU. Para el checkpoint BF16, que tiene el mayor requerimiento de memoria para los pesos, AWS recomienda planificar una configuración multinodo con suficiente memoria de GPU agregada. Para FP8, AWS especifica el uso de instancias ml.p5.48xlarge con GPU NVIDIA H100, o instancias ml.p5e.48xlarge y ml.p5en.48xlarge con GPU H200. Para NVFP4, AWS especifica instancias ml.p6-b200.48xlarge con GPU NVIDIA B200.
AWS enumera varios requisitos previos para la implementación, entre ellos una cuenta de AWS con los permisos adecuados de IAM, redes y almacenamiento, acceso a Beam a través de SageMaker JumpStart o Hugging Face, la aceptación de los términos del modelo, la AWS CLI, Python 3.11 o una versión posterior, y cuota y capacidad de GPU para una configuración compatible.
Disponibilidad
En su lanzamiento, AWS indica que Beam está disponible en Amazon SageMaker JumpStart en las regiones de Este de EE. UU. (Norte de Virginia) y Este de EE. UU. (Ohio).
Fuente: AWS Machine Learning Blog, "Introducing Reflection Beam: an open-weight model for agentic coding on AWS", publicado el 16 de octubre de 2026.
Preguntas frecuentes
- ¿Qué es Reflection Beam?
- Beam es un modelo disperso de mezcla de expertos de pesos abiertos de Reflection AI diseñado para tareas de programación agéntica, como resolver problemas de software, modificar código e invocar herramientas, según AWS.
- ¿Qué tamaño tiene el modelo Beam?
- AWS indica que Beam tiene 501.000 millones de parámetros totales y 23.000 millones de parámetros activos, con una longitud de contexto efectiva declarada de 1 millón de tokens.
- ¿Cómo pueden los desarrolladores implementar Beam en AWS?
- AWS describe la implementación de Beam a través de un endpoint en tiempo real de SageMaker JumpStart para una vía gestionada, o mediante SageMaker HyperPod Inference con JumpStart, SGLang o vLLM para un mayor control sobre la infraestructura de GPU distribuida.
- ¿Dónde está disponible Beam en su lanzamiento?
- AWS indica que Beam está disponible en SageMaker JumpStart en las regiones de Este de EE. UU. (Norte de Virginia) y Este de EE. UU. (Ohio).
Fuentes
- Introducing Reflection Beam: an open-weight model for agentic coding on AWS | Artificial Intelligence — Amazon Web Services (AWS)