리플렉션 AI, 501B 오픈소스 모델 'Beam' 공개

Beam은 리플렉션 AI(Reflection AI)가 코딩, 복합 추론, 에이전트 작업을 위해 개발한 오픈 모델입니다.

총 파라미터 501B 규모의 희소 전문가 혼합(MoE) 구조를 갖췄으며, 실제 추론 시 활성화되는 파라미터는 23B에 불과합니다. 최대 100만 토큰의 컨텍스트 윈도우를 지원하며, 23.8조 개의 고품질 토큰으로 사전 학습을 마쳤습니다. 즉, 대형 모델 수준의 지식을 갖추면서도 추론 연산 비용은 가볍게 유지하도록 설계되었습니다.

어떻게 만들었나

Beam 성능의 핵심은 전례 없는 규모로 진행된 고연산 강화학습(RL)입니다.

리플렉션은 1만 500대의 엔비디아 GB300 GPU를 투입해 4주 동안 쉬지 않고 강화학습을 진행했습니다. 약 13억 개의 샌드박스에서 1억 회 이상의 롤아웃을 생성했으며, 이를 위해 소프트웨어 엔지니어링, 터미널 명령 제어, 알고리즘 문제 해결 등 약 100만 개의 정밀한 환경을 직접 구축했습니다.

초대형 강화학습에서 빈번하게 발생하는 정책 지연(Policy Staleness) 문제를 해결하기 위해, 하루 이상 지난 과거 체크포인트의 데이터로 학습해도 모델이 붕괴하지 않는 완전 비동기 정책 경사 알고리즘을 도입했습니다. 아울러 새로운 가중치를 추론 클러스터 전체에 12초(중앙값) 만에 배포하는 계층형 전송 파이프라인을 구축해 랙 간 네트워크 트래픽을 75% 줄였습니다.

기반 아키텍처 역시 보조 손실 없는 라우팅 기법과 잔차 스케일링을 적용해 모든 전문가 노드가 고르게 작동하도록 다듬었습니다.

성능과 추론 제어

벤치마크 결과에 따르면, Beam은 코딩과 고급 추론 분야에서 Z.ai의 GLM 5.2와 대등하며 2T급 거대 모델인 Qwen 3.8-Max에 근접하는 능력을 보여줍니다. 핵심은 효율성입니다. GLM 5.2급 성능을 내는 데 필요한 추론 연산량이 3~4배 적습니다.

텍스트 전용 모델이지만 도메인을 넘나드는 일반화 능력도 뛰어납니다. 학습 과정에 웹 브라우징 데이터셋을 넣지 않았음에도, 터미널과 도구 사용법을 익힌 뒤 자발적으로 외부 검색 엔진을 쿼리하거나 OCR API를 활용해 문서를 판독하는 모습을 보였습니다.

사용자가 추론 노력을 조절할 수 있는 전용 파라미터도 지원합니다. 가벼운 작업에서는 출력을 간결하게 줄여 비용을 아끼고, 복잡한 아키텍처 설계나 디버깅에서는 심층적인 다단계 추론을 수행하도록 설정할 수 있습니다.

어떻게 써볼 수 있나

현재 Beam은 최종 레드팀 평가 단계를 거치고 있으며, 공식 웹사이트에서 조기 접근 신청을 받고 있습니다. 모델 가중치, 기술 보고서, 개발용 아티팩트는 이달 말 정식 공개되며 주요 오픈소스 허브와 클라우드 플랫폼에 순차 배포될 예정입니다.

왜 중요한가

엔터프라이즈 환경에서 자체 코딩 에이전트를 구축하려는 팀에게 Beam은 당장 검토해볼 만한 모델입니다. 501B라는 총 파라미터 때문에 온프레미스 적재를 위한 메모리 허들은 높지만, 활성 파라미터가 23B 수준이라 토큰당 처리 속도와 운영 비용 면에서 압도적으로 유리합니다.

단순히 벤치마크 점수만 올리는 데 그치지 않고, 대규모 강화학습을 통해 추론 연산 효율을 3~4배 끌어내렸다는 점은 오픈 모델 생태계에 중요한 전환점입니다. 이달 말 공개될 가중치가 실전에서도 이 효율을 입증한다면, 기업들의 사내 개발 인프라 선택지가 한층 넓어질 것입니다.