Beam của Reflection: mô hình mở 501 tỷ tham số, đặt cược vào AI agent hiệu quả

Cuộc đua AI mở không chỉ là chuyện mô hình nào đứng đầu bảng điểm. Với một agent phải đọc code, gọi công cụ và thử nhiều phương án, chi phí để hoàn thành công việc cũng quan trọng không kém. Beam, mô hình đầu tiên của Reflection AI, được giới thiệu với trọng tâm này: năng lực coding và agent đủ mạnh, đi cùng suy luận tiết kiệm hơn.[1]

Reflection công bố Beam ngày 05/10/2026. Mô hình sử dụng kiến trúc sparse Mixture-of-Experts (MoE), có 501 tỷ tham số tổng nhưng chỉ 23 tỷ tham số hoạt động và chỉ xử lý văn bản trực tiếp.[1]

Đọc đúng trạng thái phát hành: Tính đến ngày 06/10/2026, Reflection cho biết Beam đang trong quá trình red-team và đánh giá cuối cùng, với quyền truy cập sớm cho nhóm người dùng được chọn. Hãng hẹn phát hành trọng số theo Apache 2.0, báo cáo kỹ thuật, model card và công cụ cho nhà phát triển trong tháng 10/2026. Đây chưa phải thông báo rằng mọi người đã có thể tải mô hình về ngay.[1]

Ảnh đại diện: Reflection AI, từ bài công bố Beam.[1]

1. 501B tổng, 23B hoạt động: lớn nhưng không dùng toàn bộ mỗi bước

Điểm nổi bật đầu tiên của Beam là kiến trúc MoE. Thay vì huy động toàn bộ 501 tỷ tham số cho mỗi token, mô hình chỉ kích hoạt một phần mạng chuyên gia; Reflection công bố con số hoạt động là 23 tỷ.[1]

Để hiểu đơn giản, có thể hình dung một đội ngũ lớn nhưng mỗi nhiệm vụ chỉ cần một nhóm chuyên môn tham gia. Kiến trúc này tạo cơ hội giảm lượng tính toán mỗi token so với việc phải sử dụng toàn bộ mạng.

Tuy nhiên, 23B hoạt động không có nghĩa Beam nhẹ như một mô hình dense 23B. Khi tự triển khai, người dùng vẫn phải tính đến nơi lưu trọng số của toàn bộ mô hình, bộ nhớ, truyền dữ liệu giữa thiết bị và bộ nhớ dành cho ngữ cảnh. Vì vậy, không nên suy từ con số active parameters rằng Beam phù hợp với laptop hoặc một GPU phổ thông.

Reflection cho biết giai đoạn midtraining mở rộng ngữ cảnh hiệu dụng lên 1 triệu token. Riêng đợt reinforcement learning quy mô lớn được mô tả có độ dài ngữ cảnh tối đa 256K token; đây là hai thông số thuộc hai giai đoạn khác nhau, không nên gộp thành một khẳng định về mọi cấu hình phục vụ.[1]

2. Beam mạnh ở đâu? Coding và agent là trọng tâm

Reflection định vị Beam cho lập trình, suy luận và các tác vụ agent sử dụng công cụ. Bảng công bố của hãng bao gồm sửa lỗi phần mềm, thao tác terminal, tìm kiếm web, gọi công cụ và các bài toán STEM.[1]

Một số kết quả tiêu biểu do Reflection báo cáo:[1]

Benchmark	Beam	GLM 5.2	Qwen 3.8 Max
SWE Bench Pro v1	65,5	62,1	67,7
Terminal Bench v2.1	80,1	81,0	86,6
GPQA Diamond	90,5	91,2	92,6
HLE không dùng công cụ	36,2	40,5	43,6
MCP Atlas	78,7	77,8	84,5

Bảng này cho thấy một bức tranh thực tế hơn khẩu hiệu “vượt mọi đối thủ”: Beam cạnh tranh tốt ở một số bài coding và gọi công cụ, nhưng vẫn thấp hơn những mô hình được so sánh trên nhiều bài khác. Reflection cũng thừa nhận Kimi K3 còn dẫn trước về năng lực thuần túy; lợi thế hãng nhấn mạnh cho Beam là hiệu quả lúc suy luận.[1]

Đây là số liệu nhà phát triển công bố, không phải kết quả AIDaLat tự chạy. TechCrunch lưu ý các tuyên bố hiệu năng chưa được kiểm chứng độc lập trong bài đưa tin ra mắt.[2]

3. “Ít hơn 3–4 lần compute” không đồng nghĩa hóa đơn rẻ hơn 3–4 lần

Reflection cho biết Beam đạt mức điểm có thể so sánh với GLM-5.2 trên các benchmark suy luận nâng cao trong khi sử dụng ít hơn khoảng 3–4 lần lượng tính toán suy luận.[1]

Điểm cần đọc kỹ nằm ở phương pháp: hãng ước tính lượng tính toán sinh token theo công thức gần đúng FLOPs ≈ 2 × số tham số hoạt động × số token sinh trung bình mỗi lần thử. Token được tính gồm cả phần suy luận và câu trả lời cuối.[1]

Phép ước tính đó không bao gồm xử lý prompt đầu vào, phép tính attention phụ thuộc ngữ cảnh và overhead của hệ thống phục vụ. Reflection nói rõ đây là so sánh compute xấp xỉ, không phải chi phí suy luận thực đo.[1]

Vì thế, doanh nghiệp chưa nên chuyển trực tiếp con số này thành “giảm 75% chi phí API” hoặc “chạy nhanh gấp bốn lần”. Giá dịch vụ, phần cứng, batching, độ dài đầu vào, số lần gọi công cụ và tỷ lệ hoàn thành tác vụ đều có thể thay đổi bài toán kinh tế.

Beam cũng có tham số reasoning effort: mức thấp ưu tiên câu trả lời ngắn hơn, mức cao cho phép suy luận dài hơn cho việc khó. Reflection cho biết hãng huấn luyện với cơ chế phạt độ dài có thể điều chỉnh, nhằm thưởng lời giải đúng nhưng hạn chế token không cần thiết.[1]

4. Đằng sau Beam: reinforcement learning ở quy mô lớn

Beam được pretrain trên 23,8 nghìn tỷ token từ dữ liệu web đã tuyển chọn và các bộ dữ liệu được cấp phép. Sau đó, Reflection đầu tư mạnh vào reinforcement learning để phát triển suy luận và hành vi agent.[1]

Theo công bố của hãng, chiến dịch RL huy động 10.500 GPU NVIDIA GB300 trong bốn tuần, tạo hơn 100 triệu rollout — các lượt tương tác thử giải quyết nhiệm vụ — và sử dụng khoảng 1,3 tỷ sandbox cho huấn luyện và chấm kết quả.[1]

Ý tưởng đáng chú ý không chỉ là tăng số GPU. Reflection mô tả hệ thống bất đồng bộ, trong đó agent tiếp tục thử nhiệm vụ trong khi bộ huấn luyện cập nhật mô hình. Hãng phát triển thuật toán để xử lý dữ liệu được tạo bởi các phiên bản trọng số cũ, đồng thời giảm sai khác số học giữa hệ thống huấn luyện và suy luận.[1]

Với người xây agent, đây là hướng nghiên cứu quan trọng: mô hình cần học từ quá trình hành động, nhận phản hồi và điều chỉnh, chứ không chỉ bắt chước một câu trả lời đẹp. Dù vậy, quy mô huấn luyện tự nó không chứng minh độ tin cậy khi đưa vào sản xuất; vẫn cần đánh giá trên công việc thật.

5. Mô hình văn bản vẫn có thể làm việc với thông tin hình ảnh — qua công cụ

Beam không phải mô hình đa phương thức. Reflection mô tả các demo trong đó agent tìm tài liệu, xây ứng dụng, tạo notebook fine-tuning và sử dụng API OCR để đọc tài liệu.[1]

Sự phân biệt này rất quan trọng: gọi OCR để nhận văn bản không đồng nghĩa mô hình trực tiếp nhìn hiểu hình ảnh. Khả năng của hệ thống còn phụ thuộc vào công cụ được tích hợp, quyền truy cập, môi trường thực thi và cách dữ liệu được chuyển thành văn bản.

Với ứng dụng doanh nghiệp, một agent như vậy có thể được thử nghiệm cho nghiên cứu tài liệu kỹ thuật, hỗ trợ codebase hoặc tự động hóa quy trình có API. Nhưng các thao tác ghi dữ liệu, chạy lệnh hay truy cập hệ thống nội bộ vẫn nên có sandbox, giới hạn quyền và bước kiểm tra kết quả.

6. “Mã nguồn mở” đến đâu, và nhà phát triển Việt Nam nên chờ gì?

Reflection gọi Beam là open-weight và cam kết phát hành trọng số theo Apache 2.0 cùng tài liệu và bộ công cụ chạy, đánh giá, fine-tuning. Hãng cũng dự kiến tích hợp với các thư viện và hệ sinh thái phân phối để nhà phát triển đưa Beam vào workflow hiện có.[1]

Cần phân biệt cam kết mở trọng số với việc công khai toàn bộ dữ liệu và quy trình huấn luyện. Nguồn ra mắt chưa đủ để kết luận mọi thành phần tạo nên Beam đều sẽ được mở. Khi bản phát hành xuất hiện, nhà phát triển nên đọc chính giấy phép, model card và tài liệu triển khai thay vì chỉ dựa vào nhãn “open source”.

Góc nhìn AIDaLat: Với đội ngũ Việt Nam, giá trị tiềm năng của Beam nằm ở việc có thêm lựa chọn cho coding agent và hệ thống triển khai do doanh nghiệp kiểm soát. Tuy nhiên, trước khi chọn làm nền tảng, nên kiểm tra bốn nhóm vấn đề:

• Tiếng Việt và dữ liệu riêng: đánh giá trên tài liệu, thuật ngữ và yêu cầu thực tế của tổ chức; không suy từ điểm coding sang chất lượng tiếng Việt.
• Chi phí triển khai: chờ cấu hình phần cứng, định dạng trọng số, phương án lượng tử hóa và các runtime được hỗ trợ chính thức.
• Độ tin cậy của agent: đo tỷ lệ hoàn thành tác vụ, số lần thử lại, khả năng bám yêu cầu và cách xử lý lỗi công cụ.
• An toàn vận hành: kiểm thử prompt injection, rò rỉ dữ liệu, giới hạn quyền và cơ chế xác nhận trước hành động nhạy cảm.

Kết luận: một lựa chọn đáng theo dõi, chưa phải lời giải đã được kiểm chứng

Beam mang tới một cách đặt vấn đề đáng chú ý cho AI mở: không nhất thiết thắng mọi benchmark, nhưng cần tạo ra nhiều giá trị hơn trên mỗi đơn vị tính toán. Kiến trúc 501B/23B, đầu tư RL lớn và cam kết Apache 2.0 tạo thành một đề xuất đáng theo dõi cho hệ sinh thái coding và agent.[1]

Tuy nhiên, mốc quan trọng tiếp theo không phải một bảng điểm mới mà là trọng số thực sự được phát hành, tài liệu triển khai đầy đủ và đánh giá độc lập. Hiện người dùng có thể đăng ký danh sách chờ tại Reflection Platform; bài viết này chưa xác nhận một kho tải trọng số công khai hay giá API chính thức.[1]

Bài tổng hợp và phân tích từ tài liệu đọc ngày 06/10/2026. AIDaLat chưa tự triển khai hoặc chạy benchmark Beam.

Sources

[1] https://reflection.ai/beam [2] https://techcrunch.com/2026/10/05/reflection-debuts-beam-a-open-weight-ai-model-to-rival-chinese-models-at-lower-compute-cost