Introduction
Beam 1.0, de Reflection, convient à la programmation et les processus d’outils de longue durée. Cette API de chat accepte du texte, dispose d’un budget d’entrée de 1,048,576 tokens et accepte max_tokens jusqu’à 943,718. Recevez le texte de Beam 1.0 au fil de sa génération, ou utilisez un résultat de fonction pour étayer l’étape suivante de les longues sessions de programmation avec Beam 1.0.
| Champ | Valeur |
|---|---|
| Entrée | Texte |
| Sortie | Texte |
| Budget d’entrée | 1,048,576 tokens |
| Plafond de max_tokens | 943,718 |
| Entrées | du texte |
Fonctionnalités et points forts
Poids ouverts, servis par API
Les poids de Beam sont publiés, donc le modèle que vous appelez ici, vous pourriez aussi le faire tourner ou le affiner vous-même si vos besoins évoluent. Reflection AI le présente comme un modèle ouvert, utilisable à des fins commerciales et de recherche. Cet endpoint est la voie rapide : aucun GPU à provisionner, une facturation au token et la même requête de complétion de chat que vous écrivez déjà.
Conçu pour de vrais dépôts
La fiche modèle de Reflection AI met l’accent sur la résolution de vraies issues GitHub, le travail en ligne de commande et en contexte DevOps, et l’intégration dans des harnais de code agentiques. Elle publie un score de 81.6% sur SWE-Bench Verified et de 80.1% sur Terminal Bench v2.1. Ce sont les chiffres de l’éditeur, obtenus dans son propre cadre : prenez-les comme une raison de tester le modèle sur votre dépôt, pas comme une garantie.
Appels d’outils et tâches longues
Le modèle renvoie des appels de fonction que votre application valide et exécute, puis il poursuit à partir des messages d’outil que vous lui renvoyez. tool_choice accepte ici une chaîne ou un objet, et parallel_tool_calls est activé par défaut. Reflection AI met en avant l’usage d’outils de type MCP et les tâches en plusieurs étapes, ce qui convient aux boucles d’agents qui lisent des fichiers, lancent des tests et itèrent.
Moins de tokens de raisonnement par conception
Reflection AI indique que Beam atteint une qualité de solution comparable avec environ trois fois moins de tokens de raisonnement que les principaux modèles ouverts. Si cela se confirme pour votre charge, cela se traduit directement par un coût de sortie plus bas, car le raisonnement est facturé comme une sortie. Il s’agit d’une affirmation de l’éditeur : mesurez le nombre de tokens sur vos propres prompts aux niveaux medium et high.
Paramètres de requête
| Paramètre | Obligatoire | Description |
|---|---|---|
messages | Oui | Pour les longues sessions de programmation avec Beam 1.0, fournissez la conversation et les éléments de preuve en texte dans l’ordre, en reliant chaque résultat d’outil à son to… 1 éléments minimum · 256 éléments maximum |
max_tokens | Non | Prévoyez ensemble la réponse visible et le raisonnement facturé de Beam 1.0 dans |
reasoning_effort | Non | Beam 1.0 propose low, medium, high, xhigh, max, avec medium par défaut ; comparez les niveaux pour les longues sessions de programmation avec Beam 1.0, car un raisonnement appro… |
stop | Non | Arrêtez le texte de Beam 1.0 sur une séquence fournie, ou l’une de quatre au maximum ; la séquence rencontrée est exclue de la réponse. 1 caractères minimum · 1 éléments minimum · 4 éléments maximum |
temperature | Non | Beam 1.0 accepte temperature de 0 à 2 ; gardez les autres réglages d’échantillonnage constants pour comparer les formulations de les longues sessions de programmation avec Beam… |
top_p | Non | Utilisez |
tools | Non | Donnez à Beam 1.0 des définitions de fonctions au format OpenAI pour les longues sessions de programmation avec Beam 1.0 ; le modèle propose les arguments et votre application l… 128 éléments maximum |
parallel_tool_calls | Non | Autorisez Beam 1.0 à proposer plusieurs fonctions indépendantes ensemble lorsque les longues sessions de programmation avec Beam 1.0 demande plusieurs résultats externes. Valeur par défaut: |
tool_choice | Non | Choisissez auto, none, required ou une fonction précise pour Beam 1.0, puis conservez l’identifiant d’appel pour poursuivre les longues sessions de programmation avec Beam 1.0. |
response_format | Non | Demandez à Beam 1.0 du texte ou un JSON structuré, puis validez les champs nécessaires à les longues sessions de programmation avec Beam 1.0 avant leur utilisation. |
Tarification
Entrée $1 / Sortie $3 par 1 million de tokens
Cas d’utilisation
Résoudre une issue à l’échelle d’un dépôt
Donnez au modèle le texte de l’issue, les fichiers concernés et la sortie du test en échec, puis demandez un patch minimal et la commande qui prouve qu’il fonctionne. La fenêtre de 1,048,576 tokens permet d’inclure des modules entiers plutôt que des extraits. Relisez le diff et lancez vous-même les tests avant de fusionner.
Boucles d’agents dans le terminal
Reliez le modèle à des outils de shell, de fichiers et de tests, et laissez-le itérer : inspecter, modifier, exécuter, lire la sortie. Conservez l’historique dans la liste des messages, limitez le nombre de tours et journalisez chaque appel d’outil afin de pouvoir rejouer une exécution en cas de problème.
Travaux de code en lot sensibles au coût
Pour les travaux en masse, comme l’ajout d’annotations de types, l’écriture de tests pour de nombreux modules ou la migration d’une API obsolète, un modèle qui consomme moins de tokens de raisonnement est utile. Commencez en niveau low ou medium, vérifiez quelques résultats à la main et ne montez le réglage que pour les cas qui échouent.
Jeux de problèmes de raisonnement et de mathématiques
Reflection AI publie des résultats sur AIME 2026 et GPQA Diamond : c’est donc un candidat raisonnable pour les tâches de raisonnement structuré. Demandez la réponse et les étapes clés séparément, et vérifiez les résultats numériques avec du code lorsqu’une mauvaise réponse coûterait cher.
Guide de prompt et conseils pratiques
Envoyer une requête de chat
Utilisez l’endpoint de complétion de chat avec un nom de modèle et un tableau messages en texte brut. Ce modèle ne traite que le texte : convertissez les images ou les documents en texte avant l’envoi. Réglez stream sur true lorsque vous attendez de longues réponses.
Choisir le niveau de raisonnement et le plafond
max_tokensLe niveau par défaut est medium. Passez à high ou au-delà pour les bogues difficiles en plusieurs étapes, et à low pour les modifications courantes. Le raisonnement compte dans
max_tokens: prévoyez une marge, sinon le plafond peut interrompre la réponse avant la partie visible.Définir les outils et renvoyer les résultats
Transmettez des outils au format JSON-schema, laissez le modèle choisir et répondez à chaque appel d’outil par un message d’outil portant le même
tool_call_id. Conservez lesreasoning_contentdes tours d’assistant précédents dans l’historique lorsque vous poursuivez une conversation avec outils.Comparer avec votre modèle actuel
Faites passer les mêmes dix tâches réelles par Beam et par votre modèle actuel, puis comparez le taux de réussite, les tokens de sortie et la latence. L’estimation affichée sur cette page donne le coût par requête, ce qui vous permet de chiffrer la différence avant de déplacer le trafic.
Travailler sur un dépôt avec Beam
Transmettez à Beam 1.0 le ticket, les modules concernés et la sortie du test en échec. Son budget de 1 048 576 tokens de texte permet d’inclure le code autour du défaut plutôt qu’une simple trace d’erreur.
Poursuivre la session de l’agent
Commencez avec medium. Conservez les appels de fonction précédents, leur tool_call_id et reasoning_content dans l’historique. Votre application exécute les opérations sur les fichiers et les tests, puis renvoie leur sortie réelle : citer le nom du dépôt ne donne pas accès aux fichiers à Beam.
Vérifier le correctif complet
Demandez le code modifié et une commande de vérification. Comptez le raisonnement dans max_tokens, contrôlez le motif de fin et lancez les tests avant la fusion. Les benchmarks de Reflection viennent de ses évaluations ; le correctif se vérifie sur votre dépôt.
Les décisions de contenu de Beam 1.0 s’appliquent à les longues sessions de programmation avec Beam 1.0 ; les réponses NSFW peuvent changer selon la requête ou la version, sans promesse de sortie sans restriction.
Démarrage rapide de l’API
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'
La référence API détaille l’authentification, le schéma complet, le polling et la gestion des erreurs.