Beam : Reflection AI lance un modèle ouvert de 501 milliards de paramètres face à DeepSeek

Reflection AI a levé le voile, le 5 octobre 2026, sur Beam, son premier modèle de langage à poids ouverts. La start-up new-yorkaise, fondée en 2024 par deux anciens chercheurs de Google DeepMind, Misha Laskin et Ioannis Antonoglou, le présente comme « la réponse américaine » aux modèles ouverts chinois qui dominent ce segment depuis DeepSeek. Beam compte 501 milliards de paramètres, dont 23 milliards actifs pour chaque token produit, et sera publié sous licence Apache 2.0 dans le courant du mois. Son argument central n’est pas d’être le plus fort, mais d’offrir un niveau comparable aux meilleurs modèles ouverts pour trois à quatre fois moins de calcul à l’inférence.

Un modèle à poids ouverts, mais pas un modèle chinois

Un modèle à poids ouverts est un modèle dont les paramètres, le résultat de l’entraînement, sont téléchargeables et exécutables sur ses propres serveurs. Depuis 2025, ce marché est dominé par des laboratoires chinois : DeepSeek, Qwen d’Alibaba, Kimi de Moonshot, GLM de Z.ai. Pour beaucoup d’entreprises occidentales, en particulier les banques et les administrations, ces modèles sont difficiles à adopter. Selon Semafor, des évaluateurs gouvernementaux américains et britanniques ont constaté que des modèles chinois récents pouvaient aider des pirates à exploiter des failles logicielles, et les agences américaines de sécurité ont publiquement accusé en septembre plusieurs éditeurs chinois de distillation « à l’échelle industrielle » de modèles américains.

C’est ce créneau que vise Reflection : une base ouverte, auditable, d’origine américaine, sur laquelle entreprises et États peuvent bâtir des systèmes propriétaires à bas coût. La société a levé environ 4,7 milliards de dollars, dont un tour bouclé en juin à 25 milliards de dollars de valorisation avant investissement, auprès de Nvidia, Sequoia Capital, Lightspeed Venture Partners et Citigroup.

Les caractéristiques de Beam

L’architecture en mélange d’experts explique la promesse de sobriété : un modèle de 501 milliards de paramètres qui n’en mobilise que 23 milliards par token coûte, à l’usage, à peu près autant qu’un modèle dense de 23 milliards, tout en disposant d’une mémoire de connaissances bien plus vaste. Les versions quantifiées annoncées, FP8 et NVFP4, réduisent la précision numérique des poids pour diviser la mémoire nécessaire, ce qui permet de faire tourner un tel modèle sur un nombre réduit de cartes graphiques récentes. Reflection n’a pas communiqué de tarif pour un accès hébergé : le modèle est d’abord pensé pour être déployé par ses utilisateurs.

Que valent les performances annoncées ?

Reflection a publié ses scores avant les poids, ce qui impose la prudence. Sur Terminal-Bench 2.1, un test d’autonomie en ligne de commande, Beam obtient 80,1 contre 81,0 pour GLM 5.2 ; Kimi K3 et Qwen 3.8-Max font mieux. Sur SWE-bench Pro v1, qui mesure la résolution de tâches réelles de génie logiciel, Beam atteint 65,5 contre 62,1 pour GLM 5.2. Sur le raisonnement avancé, la société revendique le niveau de GLM 5.2 pour trois à quatre fois moins de calcul, et affirme dépasser les modèles ouverts occidentaux ainsi qu’Inkling, le modèle de Thinking Machines Lab, en programmation. Elle reconnaît en revanche rester derrière Kimi K3 en programmation agentique.

Deux réserves s’imposent. L’estimation de calcul « trois à quatre fois moindre » exclut le traitement initial du prompt, l’attention dépendante du contexte et les coûts de service, ce qui la rend incomplète pour un déploiement réel. Et les comparaisons visent des modèles ouverts : GLM 5.2 comme Qwen, dont la version 3 avait déjà relevé le niveau de l’open source, restent derrière les modèles fermés d’OpenAI et d’Anthropic. Beam ne prétend pas rivaliser avec GPT-6 Astra ou Claude Opus 5.5 ; il vise la meilleure base ouverte au meilleur prix.

Des « usines d’IA » pour les entreprises et les États

Le modèle économique de Reflection ne repose pas sur un abonnement grand public. La société propose des « usines d’IA », des systèmes installés localement et personnalisés, où une entreprise ou un État entraîne les modèles de Reflection sur ses propres données. Le terme désigne un centre de calcul dédié, livré avec les modèles, l’outillage d’entraînement et le support, à la manière d’une usine clé en main. Un premier accord a été signé avec le conglomérat sud-coréen Shinsegae pour une usine d’IA de 250 mégawatts en Corée du Sud. Pour tenir ses promesses de calcul, Reflection a sécurisé plus de 7 milliards de dollars de capacité auprès de SpaceX et de Nebius, sur des puces Nvidia GB300, jusqu’en 2029.

L’approche rappelle celle des acteurs souverains européens. En France, Mistral AI, qui vient de lever 3 milliards d’euros, défend depuis sa création l’idée de modèles ouverts déployables chez le client. Reflection applique la même logique avec des moyens américains et le soutien de Nvidia, qui a tout intérêt à voir prospérer des modèles ouverts gourmands en GPU.

Un pari américain sur l’ouverture

Le lancement intervient à un moment où l’écart entre modèles américains et chinois n’a jamais été aussi faible. Selon une analyse de Bloomberg publiée le même jour, DeepSeek V4.1 Flash, sorti le 10 septembre, obtient 81,1 sur le classement LiveBench contre 83,4 pour le meilleur modèle d’Anthropic, soit un écart d’environ 3 %, contre 9 % en mai et 15 % au début de l’année. L’effet DeepSeek a poussé les laboratoires chinois à publier leurs poids ; les laboratoires américains les plus avancés, eux, ont gardé leurs modèles fermés, et Meta a réduit ses ambitions ouvertes.

Reflection occupe donc une place vacante : celle d’un acteur américain bien financé qui mise tout sur l’open source. Le choix de la licence Apache 2.0, plus permissive que celles de plusieurs concurrents, est un signal envoyé aux entreprises qui veulent bâtir sans contrainte.

Ce que cela change pour les développeurs

Si les poids arrivent comme annoncé, les développeurs disposeront d’un modèle de grande taille, exécutable sur leurs propres machines avec un coût par token proche d’un modèle dix fois plus petit, et d’une fenêtre de contexte d’un million de tokens. Les premiers tests indépendants, sur des tâches réelles et avec des coûts complets, diront si la promesse d’efficacité tient. Reste une inconnue : la capacité d’une start-up de deux ans à suivre le rythme de publication des laboratoires chinois, qui sortent une nouvelle génération tous les quelques mois. Beam est un premier modèle ; c’est le second qui dira si Reflection est un concurrent durable.