Einführung
Beam 1.0 von Reflection unterstützt Programmierung und mehrstufige Werkzeugabläufe. Die Chat-API verarbeitet Text, bietet ein Eingabebudget von 1,048,576 Token und akzeptiert max_tokens bis 943,718. Streamen Sie den Text von Beam 1.0 sofort oder nutzen Sie ein Funktionsergebnis als Grundlage für den nächsten Schritt bei lange Programmieraufgaben mit Beam 1.0.
| Feld | Wert |
|---|---|
| Eingabe | Text |
| Ausgabe | Text |
| Eingabebudget | 1,048,576 tokens |
| Obergrenze für max_tokens | 943,718 |
| Eingaben | Text |
Wichtige Funktionen und Highlights
Offene Gewichte, als API bereitgestellt
Die Gewichte von Beam sind öffentlich veröffentlicht. Das Modell, das Sie hier aufrufen, können Sie also auch selbst betreiben oder feinabstimmen, falls sich Ihre Anforderungen ändern. Reflection AI beschreibt es als offenes Modell für kommerzielle und Forschungszwecke. Dieser Endpunkt ist der schnelle Weg: keine GPUs zu provisionieren, Abrechnung nach Token und dieselbe Chat-Completions-Anfrage, die Sie ohnehin schreiben.
Für echte Repositories gebaut
Die Modellkarte von Reflection AI konzentriert sich auf das Lösen echter GitHub-Issues, die Arbeit in Kommandozeile und DevOps-Umgebungen sowie die Anbindung an agentische Coding-Harnesses. Veröffentlicht werden ein SWE-Bench-Verified-Wert von 81.6% und ein Terminal-Bench-v2.1-Wert von 80.1%. Das sind die eigenen Zahlen des Herstellers auf dessen Aufbau. Behandeln Sie sie als Anlass, das Modell an Ihrem Repository zu testen, nicht als Garantie.
Tool-Aufrufe und langlaufende Aufgaben
Das Modell liefert Funktionsaufrufe, die Ihre Anwendung prüft und ausführt; danach macht es mit den Tool-Nachrichten weiter, die Sie zurückschicken. tool_choice akzeptiert hier einen String oder ein Objekt, und parallel_tool_calls ist standardmäßig aktiv. Reflection AI hebt MCP-artige Tool-Nutzung und mehrstufige Aufgaben hervor, was zu Agenten-Schleifen passt, die Dateien lesen, Tests ausführen und iterieren.
Von Haus aus weniger Reasoning-Token
Reflection AI sagt, Beam erreiche vergleichbare Lösungsqualität mit etwa dreimal weniger Reasoning-Token als führende Open-Modelle. Trifft das für Ihre Last zu, schlägt es sich direkt in niedrigeren Ausgabekosten nieder, weil Reasoning als Ausgabe abgerechnet wird. Das ist eine Behauptung des Herstellers; messen Sie die Token-Zahlen mit Ihren eigenen Prompts bei mittlerem und hohem Aufwand.
Request-Parameter
| Parameter | Pflicht | Beschreibung |
|---|---|---|
messages | Ja | Übergeben Sie für lange Programmieraufgaben mit Beam 1.0 Gespräch und Belege chronologisch als Text und ordnen Sie jedes Werkzeugergebnis seiner ursprünglichen |
max_tokens | Nein | Planen Sie sichtbare Antwort und berechnete Überlegungen von Beam 1.0 gemeinsam in |
reasoning_effort | Nein | Beam 1.0 bietet low, medium, high, xhigh, max, standardmäßig medium; vergleichen Sie die Stufen für lange Programmieraufgaben mit Beam 1.0, da gründlicheres Denken Ausgabetokens… |
stop | Nein | Beenden Sie den Text von Beam 1.0 an einer angegebenen Stoppfolge oder einer von bis zu vier Folgen; die passende Folge selbst erscheint nicht in der Antwort. mindestens 1 Zeichen · mindestens 1 Einträge · höchstens 4 Einträge |
temperature | Nein | Beam 1.0 akzeptiert temperature von 0 bis 2; halten Sie beim Formulierungsvergleich für lange Programmieraufgaben mit Beam 1.0 andere Samplingwerte konstant. |
top_p | Nein | Nutzen Sie |
tools | Nein | Geben Sie Beam 1.0 Funktionsdefinitionen im OpenAI-Format für lange Programmieraufgaben mit Beam 1.0; das Modell schlägt Argumente vor, Ihre Anwendung prüft sie und führt die Op… höchstens 128 Einträge |
parallel_tool_calls | Nein | Erlauben Sie Beam 1.0, unabhängige Funktionen gemeinsam vorzuschlagen, wenn lange Programmieraufgaben mit Beam 1.0 mehrere externe Ergebnisse benötigt. Standardwert: |
tool_choice | Nein | Wählen Sie für Beam 1.0 auto, none, required oder eine bestimmte Funktion und bewahren Sie die zurückgegebene Aufruf-ID für lange Programmieraufgaben mit Beam 1.0 auf. |
response_format | Nein | Fordern Sie bei Beam 1.0 Text oder strukturiertes JSON an und prüfen Sie vor der Verwendung die für lange Programmieraufgaben mit Beam 1.0 benötigten JSON-Felder. |
Preis
Eingabe $1 / Ausgabe $3 je 1 Mio. Token
Anwendungsfälle
Ein Issue über ein Repository hinweg lösen
Geben Sie dem Modell den Issue-Text, die relevanten Dateien und die Ausgabe des fehlschlagenden Tests und bitten Sie um einen minimalen Patch samt Befehl, der die Korrektur belegt. Das Fenster von 1,048,576 Token erlaubt es, ganze Module statt Ausschnitte mitzuschicken. Prüfen Sie den Diff und führen Sie die Tests selbst aus, bevor Sie zusammenführen.
Agenten-Schleifen im Terminal
Verbinden Sie das Modell mit Shell-, Datei- und Testwerkzeugen und lassen Sie es iterieren: prüfen, ändern, ausführen, Ausgabe lesen. Halten Sie den Verlauf in der Nachrichtenliste, begrenzen Sie die Zahl der Runden und protokollieren Sie jeden Tool-Aufruf, damit sich ein Lauf nachvollziehen lässt, wenn etwas schiefgeht.
Kostensensible Batch-Coding-Arbeit
Bei Massenaufgaben wie dem Ergänzen von Typannotationen, dem Schreiben von Tests für viele Module oder der Migration einer veralteten API hilft ein Modell, das weniger Reasoning-Token verbraucht. Beginnen Sie mit niedrigem oder mittlerem Aufwand, prüfen Sie einige Ergebnisse von Hand und erhöhen Sie die Einstellung nur für die Fälle, die scheitern.
Reasoning- und Mathe-Aufgabensätze
Reflection AI veröffentlicht Ergebnisse zu AIME 2026 und GPQA Diamond, daher ist es ein passender Kandidat für strukturierte Denkaufgaben. Lassen Sie Antwort und Kernschritte getrennt ausgeben und prüfen Sie Endzahlen mit Code, wenn eine falsche Antwort teuer wäre.
Prompt-Leitfaden und Praxistipps
Eine Chat-Anfrage senden
Verwenden Sie den Chat-Completions-Endpunkt mit einem Modellnamen und einem messages-Array aus reinem Text. Dieses Modell verarbeitet nur Text; wandeln Sie Bilder oder Dokumente vorher in Text um. Setzen Sie stream auf true, wenn Sie lange Antworten erwarten.
Aufwand und max_tokens-Obergrenze wählen
Der Standardaufwand ist medium. Für schwierige mehrstufige Fehler wechseln Sie auf high oder höher, für Routineänderungen auf low. Reasoning zählt zu
max_tokens; lassen Sie Puffer, sonst kann die Obergrenze die Antwort beenden, bevor die sichtbare Antwort fertig ist.Tools definieren und Ergebnisse zurückgeben
Übergeben Sie Tools mit JSON-Schema, lassen Sie das Modell wählen und beantworten Sie jeden Tool-Aufruf mit einer Tool-Nachricht, die dieselbe
tool_call_idträgt. Behalten Siereasoning_contentaus früheren Assistenten-Runden im Verlauf, wenn Sie eine Tool-Unterhaltung fortsetzen.Mit Ihrem aktuellen Modell vergleichen
Lassen Sie dieselben zehn echten Aufgaben durch Beam und Ihr aktuelles Modell laufen und vergleichen Sie Erfolgsquote, Ausgabe-Token und Latenz. Die Schätzung auf dieser Seite zeigt die Kosten je Anfrage, sodass Sie den Unterschied bepreisen können, bevor Sie Traffic umstellen.
Repository-Arbeit mit Beam
Geben Sie Beam 1.0 das Issue, die betroffenen Module und die Ausgabe des fehlgeschlagenen Tests zusammen. Das reine Textbudget von 1.048.576 Eingabetokens bietet Platz für die Implementierung rund um den Fehler statt nur für einen Stacktrace.
Die Agentensitzung fortsetzen
Beginnen Sie mit medium. Bewahren Sie frühere Funktionsaufrufe, tool_call_id und reasoning_content im Verlauf auf. Ihre Anwendung führt Dateioperationen und Tests aus und liefert die tatsächliche Ausgabe zurück; ein Repositoryname allein verschafft Beam keinen Dateizugriff.
Einen vollständigen Patch prüfen
Fordern Sie den geänderten Code samt Prüfkommando an. Planen Sie Überlegungen in max_tokens ein, kontrollieren Sie den Abschlussgrund und führen Sie die Tests vor dem Merge aus. Reflections Benchmarks stammen aus eigener Evaluation; ob der Patch funktioniert, entscheidet Ihr Repository.
Bei lange Programmieraufgaben mit Beam 1.0 gelten die Inhaltsentscheidungen von Beam 1.0; NSFW-Antworten können sich mit Anfrage oder Modellversion ändern, weshalb uneingeschränkte Ausgaben nicht zugesagt werden.
API-Schnellstart
curl --fail-with-body -sN https://api.spicyapi.ai/v1/chat/completions \
-H "Authorization: Bearer $SPICY_API_KEY" \
-H "Content-Type: application/json" \
-H "Idempotency-Key: $(uuidgen)" \
-d '{
"model": "reflection/beam-1.0/chat",
"messages": [
{
"role": "user",
"content": "Summarise the following release notes into three bullet points."
}
],
"stream": true
}' \
| jq --unbuffered -Rrj 'select(startswith("data: ")) | .[6:] | select(. != "[DONE]") | fromjson | if .error then "\n[error] \(.error.message)\n" else (.choices[0].delta.content? // empty) end'
Authentifizierung, vollständiges Schema, Polling und Fehlerbehandlung stehen in der API-Referenz.