Reflection Beam, 코드를 고치고 도구를 쓰는 공개 AI 모델

AI 모델 개발사 Reflection AI가 10월 16일 Beam의 가중치를 공개했다. 코드를 작성하고 오류를 고치며, 도구의 실행 결과를 읽고 다음 작업을 이어가는 텍스트 AI 모델이다. 10월 5일 처음 소개했을 때는 제한된 사전 체험 단계였지만, 이제 개발자가 모델 파일을 내려받아 직접 운영하거나 외부 서비스의 API로 연결할 수 있다. 공개 발표

답변을 넘어 코드 수정과 테스트까지

Beam은 소프트웨어 개발에서 여러 단계를 거치는 작업에 초점을 맞췄다. 예를 들어 ‘로그인 기능의 테스트가 실패하는 원인을 찾아달라’고 요청하면, 연결된 개발 도구를 통해 관련 파일을 읽고 수정안을 만든 뒤 테스트 결과를 받아 다시 판단하는 식으로 활용할 수 있다. 한 번에 맞는 코드를 출력하는 능력과 함께, 실패 원인을 보고 작업을 이어가는 능력이 필요한 용도다. 공개된 활용 범위

여기서 Beam은 판단과 텍스트 생성을 맡는 모델이고, 파일 편집이나 명령 실행은 별도의 에이전트 도구가 맡는다. 이런 도구는 모델에 파일 내용과 실행 결과를 돌려주고, 허용할 작업과 사용자 승인을 관리한다. Reflection은 함께 공개한 Mirror CLI에서 작업 기록을 살피고 도구 호출을 승인하며 진행 방향을 바꿀 수 있다고 설명한다. OpenCode 같은 기존 개발 도구와도 연결할 수 있다. 모델과 실행 도구의 역할

입력과 출력은 텍스트다. 화면을 직접 이해하는 멀티모달 모델로 소개된 것은 아니다. 이미지가 포함된 자료를 다루려면 별도 도구가 글로 추출한 정보를 넘기는 식의 구성이 필요하다. 앞서 소개한 Muse Spark Open처럼 코딩 모델을 직접 운영할 수 있는 선택지지만, Beam의 규모와 배포 조건은 따로 살펴봐야 한다.

전체 5,010억 개 중 일부만 계산한다

Beam은 전체 약 5,010억 개의 매개변수를 가진 MoE 모델이다. 매개변수는 학습으로 정해진 모델 내부의 수치다. MoE는 여러 계산 부분 가운데 입력에 필요한 일부를 골라 쓰는 구조로, Beam은 토큰 하나를 처리할 때 약 230억 개를 활성화한다. 토큰은 글을 처리하는 단위이며 글자 수와 같지는 않다. 모든 매개변수를 매번 계산하는 방식보다 연산량을 줄이려는 설계다. 모델 구조와 계산량

다만 활성 매개변수가 230억 개라는 이유로 작은 모델과 같은 메모리에서 실행되는 것은 아니다. 전체 가중치를 저장하고 나눠 적재해야 하며, 긴 입력을 처리하는 임시 메모리도 필요하다. AWS는 Beam을 여러 GPU에 나눠 배포하도록 안내한다. 직접 운영하려면 모델 크기뿐 아니라 동시 사용자 수와 입력 길이까지 고려해야 한다. 배포에 필요한 자원

학습에서는 코딩과 도구 사용 환경에서 여러 해결 과정을 시도하고 결과에 따라 개선하는 강화학습을 활용했다. Reflection은 성공한 해결책에 보상을 주면서 불필요하게 긴 출력을 줄이는 방식도 적용했다고 설명한다. 사용자는 추론 노력 설정으로 짧은 처리와 더 긴 문제 풀이 사이를 조절할 수 있다. 복잡한 오류 분석에 시간을 더 쓰도록 하는 선택이며, 설정을 높인다고 모든 답이 정확해지는 것은 아니다. 학습 방식과 추론 조절

정밀도를 낮췄을 때 품질은 얼마나 달라지나?

공개 파일은 BF16·FP8·NVFP4의 세 형식으로 제공된다. 수치를 표현하는 정밀도와 실행 방식이 달라 메모리 사용량과 지원 하드웨어도 달라진다. 직접 배포하는 개발자에게는 파일을 작게 만드는 효과와 함께 실제 작업 품질이 유지되는지가 중요하다. AWS도 형식을 바꾼 뒤에는 자신의 작업으로 결과를 다시 평가하도록 안내한다. 형식 선택과 평가 조건

최종 모델 카드의 회사 평가에서 SWE-bench Verified 점수는 BF16 81.6%, FP8 80.2%, NVFP4 80.7%였다. 실제 저장소의 소프트웨어 문제를 해결하는 평가로, BF16과 다른 두 형식의 차이는 1.4%포인트 이내였다. 반면 터미널 작업을 평가하는 Terminal Bench v2.1은 각각 80.1%, 78.9%, 78.4%로 보고됐다. 같은 Beam이라도 작업과 파일 형식에 따라 결과가 달라진다. 최종 공개판의 비교 수치

이는 각 형식의 회사 자체 측정이며 다른 모델보다 모든 개발 업무를 잘한다는 뜻은 아니다. 공식 평가의 생성 설정은 temperature 0.7, top_p 0.99다. 두 값은 출력의 무작위성과 다음 토큰 후보 범위를 조절한다. 실제 성공률에는 연결한 도구와 실행 환경도 영향을 준다. 10월 5일 소개 글의 초기 수치와 최종 공개판 수치가 다르므로, 배포할 때는 사용할 형식의 모델 카드를 기준으로 보는 편이 정확하다.

지금 어떻게 이용할 수 있나?

빠르게 시험하려면 외부 API를 이용할 수 있다. API는 프로그램이 모델에 요청을 보내고 결과를 받는 연결 방식이다. Vercel AI Gateway는 10월 16일부터 Reflection이 제공하는 Beam을 출시 기간 한정으로 무료 제공한다. 일반 이름인 reflection/beam은 무료 기간 뒤 유료 요금으로 전환되고, reflection/beam-free는 무료 제공이 끝나면 응답을 중단하도록 구분했다. 계속 사용할 서비스라면 이 차이를 확인해야 한다. 무료 제공 조건

회사나 연구팀이 자체 환경에서 운영하려면 Hugging Face에서 공개 가중치를 받아 배포할 수 있다. Apache 2.0 라이선스로 상업·연구 용도를 지원하며 추가 학습도 가능하다. 다만 파일 공개와 서버 운영 비용은 별개다. AWS SageMaker JumpStart 같은 관리형 경로도 제공되지만, 계정 권한과 지원 GPU의 용량·할당량을 갖춰야 한다. 가중치와 라이선스 · 관리형 배포 안내

모델은 최대 100만 토큰의 문맥을 지원해 코드와 문서, 대화 기록을 함께 다루도록 설계됐다. 그러나 긴 자료를 넣을 수 있다는 것과 그 안의 모든 정보를 정확히 활용한다는 것은 다르다. 모델 카드는 주로 영어를 대상으로 개발했다고 명시한다. 한국어 요구사항이나 사내 코드에 적용하려면 실제 수정 결과와 테스트 통과 여부를 확인하고, 처리할 문서 길이에 맞춰 비용과 응답 시간을 비교할 필요가 있다. 문맥과 언어 조건