AWS เพิ่มโมเดล Beam แบบโอเพนเวตของ Reflection AI สำหรับการเขียนโค้ดเชิงเอเจนต์
AWS อธิบายรายละเอียดวิธีที่นักพัฒนาสามารถนำโมเดล Beam แบบโอเพนเวตของ Reflection AI ไปใช้งานสำหรับการเขียนโค้ดเชิงเอเจนต์ ผ่าน Amazon SageMaker JumpStart และ HyperPod Inference
คำตอบโดยย่อ
AWS ประกาศอะไรเกี่ยวกับโมเดล Beam ของ Reflection AI?
AWS เผยแพร่คู่มือเชิงเทคนิคสำหรับการนำโมเดล Beam ของ Reflection AI ซึ่งเป็นโมเดลแบบผสมผู้เชี่ยวชาญ (mixture-of-experts) แบบโอเพนเวต สำหรับการเขียนโค้ดเชิงเอเจนต์ ไปใช้งานบน Amazon SageMaker โมเดล Beam มีพารามิเตอร์รวมทั้งหมด 501 พันล้านตัว พารามิเตอร์ที่ใช้งานจริง 23 พันล้านตัว และมีความยาวบริบทที่รายงานไว้ถึง 1 ล้านโทเคน โดยเปิดเผยน้ำหนักโมเดลบน Hugging Face ภายใต้สัญญาอนุญาต Apache 2.0
ประเด็นสำคัญ
- Reflection AI เปิดตัว Beam ซึ่งเป็นโมเดลแบบโอเพนเวตที่ออกแบบมาสำหรับงานเขียนโค้ดเชิงเอเจนต์ รวมถึงการดูแลรักษาโค้ด การใช้เครื่องมือ และการทำงานตามขั้นตอนหลายขั้น
- Beam เป็นโมเดลแบบผสมผู้เชี่ยวชาญชนิดเบาบาง มีพารามิเตอร์รวมทั้งหมด 501 พันล้านตัว และพารามิเตอร์ที่ใช้งานจริง 23 พันล้านตัว โดย Reflection รายงานว่าความยาวบริบทที่ใช้ได้จริงอยู่ที่ 1 ล้านโทเคน
- AWS ระบุว่าน้ำหนักของ Beam มีให้ใช้งานบน Hugging Face ภายใต้สัญญาอนุญาต Apache 2.0 ในรูปแบบเชคพอยต์ BF16, FP8 และ NVFP4
- AWS อธิบายแนวทางการนำไปใช้งานสองรูปแบบ ได้แก่ SageMaker JumpStart แบบเรียลไทม์เอนด์พอยต์ที่บริหารจัดการให้ หรือ SageMaker HyperPod Inference ร่วมกับ JumpStart, SGLang หรือ vLLM สำหรับการควบคุมโครงสร้างพื้นฐาน GPU แบบกระจายในระดับ Kubernetes-native
- ในช่วงเปิดตัว AWS ระบุว่า Beam พร้อมให้ใช้งานบน SageMaker JumpStart ในภูมิภาค US East (เวอร์จิเนียเหนือ) และ US East (โอไฮโอ)
Reflection AI ได้เปิดตัว Beam ซึ่งเป็นโมเดลแบบโอเพนเวตที่ออกแบบมาสำหรับการเขียนโค้ดเชิงเอเจนต์และงานระยะยาว เช่น การดูแลรักษาโค้ด การใช้เครื่องมือ การตีความผลลัพธ์ และการทำงานตามขั้นตอนหลายขั้น AWS ได้อธิบายรายละเอียดการเปิดตัวนี้ในบล็อกโพสต์ โดยชี้แจงวิธีที่นักพัฒนาสามารถนำโมเดลนี้ไปใช้งานบนโครงสร้างพื้นฐานของตน
AWS ระบุว่าภารกิจของ Reflection AI คือการทำให้ปัญญาประดิษฐ์เปิดกว้างและเข้าถึงได้ ผ่านการเผยแพร่น้ำหนักโมเดล งานวิจัย และซอฟต์แวร์โอเพนซอร์ส และ Beam ก็ขยายแนวทางนี้ไปสู่งานวิศวกรรมซอฟต์แวร์และระบบเอเจนต์
Beam คืออะไร
AWS อธิบายว่า Beam เป็นโมเดลแบบผสมผู้เชี่ยวชาญชนิดเบาบาง (sparse mixture-of-experts) สำหรับการแก้ไขปัญหาซอฟต์แวร์ ปรับเปลี่ยนโค้ด เรียกใช้เครื่องมือ และดำเนินการตามผลลัพธ์ระหว่างทาง โดยมีพารามิเตอร์รวมทั้งหมด 501 พันล้านตัว และพารามิเตอร์ที่ใช้งานจริง 23 พันล้านตัว Reflection รายงานว่าความยาวบริบทที่ใช้ได้จริงอยู่ที่ 1 ล้านโทเคน
Reflection ได้เผยแพร่น้ำหนักของ Beam บน Hugging Face ภายใต้สัญญาอนุญาต Apache 2.0 โดย Beam 1.0 มีให้เลือกสามรูปแบบเชคพอยต์ ได้แก่ BF16, FP8 และ NVFP4 ซึ่ง AWS ระบุว่าแต่ละรูปแบบให้ขนาดการใช้หน่วยความจำและความเข้ากันได้กับฮาร์ดแวร์ที่แตกต่างกัน
วิธีนำไปใช้งานบน AWS
AWS วางแนวทางการนำไปใช้งานสำหรับ Beam ไว้สองรูปแบบหลัก ได้แก่
- Amazon SageMaker JumpStart แบบเรียลไทม์เอนด์พอยต์ — แนวทางที่บริหารจัดการให้ทั้งหมด โดยรวมโมเดล คอนเทนเนอร์ และเอนด์พอยต์เข้าด้วยกัน โดยลูกค้าไม่ต้องดูแล Kubernetes ด้วยตนเอง
- Amazon SageMaker HyperPod Inference — ใช้ร่วมกับ JumpStart, SGLang หรือ vLLM สำหรับลูกค้าที่ต้องการควบคุมโครงสร้างพื้นฐาน GPU แบบกระจายในระดับ Kubernetes-native ทั้งในด้านอิมเมจสำหรับให้บริการ อาร์กิวเมนต์รันไทม์ การควอนไทซ์ หรือการประมวลผลแบบกระจาย
AWS ระบุว่าสามารถเรียกใช้ Beam ได้ผ่าน SageMaker JumpStart, Hugging Face Hub หรือผ่าน Amazon S3 มิเรอร์ที่เป็นตัวเลือกเสริม
ข้อกำหนดด้านฮาร์ดแวร์
AWS ระบุว่าพารามิเตอร์รวม 501 พันล้านตัวของ Beam จำเป็นต้องใช้การนำไปใช้งานแบบหลาย GPU สำหรับเชคพอยต์ BF16 ซึ่งมีความต้องการหน่วยความจำสำหรับน้ำหนักโมเดลสูงที่สุด AWS แนะนำให้วางแผนใช้งานแบบหลายโหนดที่มีหน่วยความจำ GPU รวมเพียงพอ สำหรับ FP8 AWS กำหนดให้ใช้อินสแตนซ์ ml.p5.48xlarge พร้อม GPU NVIDIA H100 หรืออินสแตนซ์ ml.p5e.48xlarge และ ml.p5en.48xlarge พร้อม GPU H200 ส่วนสำหรับ NVFP4 AWS กำหนดให้ใช้อินสแตนซ์ ml.p6-b200.48xlarge พร้อม GPU NVIDIA B200
AWS ระบุข้อกำหนดเบื้องต้นหลายประการสำหรับการนำไปใช้งาน ได้แก่ บัญชี AWS ที่มีสิทธิ์ IAM เครือข่าย และพื้นที่จัดเก็บข้อมูลที่เหมาะสม การเข้าถึง Beam ผ่าน SageMaker JumpStart หรือ Hugging Face การยอมรับข้อกำหนดการใช้งานโมเดล AWS CLI, Python เวอร์ชัน 3.11 หรือใหม่กว่า และโควตา รวมถึงความพร้อมของ GPU สำหรับการกำหนดค่าที่รองรับ
ความพร้อมให้ใช้งาน
ในช่วงเปิดตัว AWS ระบุว่า Beam พร้อมให้ใช้งานบน Amazon SageMaker JumpStart ในภูมิภาค US East (เวอร์จิเนียเหนือ) และ US East (โอไฮโอ)
ที่มา: AWS Machine Learning Blog, "Introducing Reflection Beam: an open-weight model for agentic coding on AWS," เผยแพร่เมื่อวันที่ 16 ตุลาคม 2026
คำถามที่พบบ่อย
- Reflection Beam คืออะไร?
- ตามข้อมูลของ AWS Beam เป็นโมเดลแบบผสมผู้เชี่ยวชาญชนิดเบาบางแบบโอเพนเวตจาก Reflection AI ที่ออกแบบมาสำหรับงานเขียนโค้ดเชิงเอเจนต์ เช่น การแก้ไขปัญหาซอฟต์แวร์ การปรับเปลี่ยนโค้ด และการเรียกใช้เครื่องมือ
- โมเดล Beam มีขนาดใหญ่เท่าใด?
- AWS ระบุว่า Beam มีพารามิเตอร์รวมทั้งหมด 501 พันล้านตัว และพารามิเตอร์ที่ใช้งานจริง 23 พันล้านตัว โดยมีความยาวบริบทที่ใช้ได้จริงตามที่รายงานอยู่ที่ 1 ล้านโทเคน
- นักพัฒนาสามารถนำ Beam ไปใช้งานบน AWS ได้อย่างไร?
- AWS อธิบายวิธีนำ Beam ไปใช้งานผ่าน SageMaker JumpStart แบบเรียลไทม์เอนด์พอยต์สำหรับแนวทางที่บริหารจัดการให้ หรือผ่าน SageMaker HyperPod Inference ร่วมกับ JumpStart, SGLang หรือ vLLM สำหรับผู้ที่ต้องการควบคุมโครงสร้างพื้นฐาน GPU แบบกระจายมากขึ้น
- Beam พร้อมให้ใช้งานที่ไหนในช่วงเปิดตัว?
- AWS ระบุว่า Beam พร้อมให้ใช้งานบน SageMaker JumpStart ในภูมิภาค US East (เวอร์จิเนียเหนือ) และ US East (โอไฮโอ)
แหล่งข้อมูล
- Introducing Reflection Beam: an open-weight model for agentic coding on AWS | Artificial Intelligence — Amazon Web Services (AWS)