Introduzione
Beam 1.0 di Reflection è pensato per attività di programmazione e flussi prolungati con strumenti. Questa API di chat accetta testo, offre un budget di input di 1,048,576 token e accetta max_tokens fino a 943,718. Ricevi il testo di Beam 1.0 mentre viene generato, oppure usa il risultato di una funzione come base per il passo successivo di le lunghe sessioni di programmazione con Beam 1.0.
| Campo | Valore |
|---|---|
| Input | Testo |
| Output | Testo |
| Budget di input | 1,048,576 tokens |
| Limite di max_tokens | 943,718 |
Caratteristiche principali
Pesi aperti, servititi tramite API
I pesi di Beam sono pubblici, quindi il modello che chiami qui potresti anche eseguirlo o rifinirlo da solo se le tue esigenze cambiassero. Reflection AI lo descrive come un modello aperto per uso commerciale e di ricerca. Questo endpoint è la strada rapida: nessuna GPU da predisporre, fatturazione per token e la stessa richiesta di chat completions che scrivi già.
Pensato per repository reali
La scheda del modello di Reflection AI si concentra sulla risoluzione di issue reali di GitHub, sul lavoro in riga di comando e in contesti DevOps, e sull'integrazione con framework di codifica agentici. Riporta un punteggio di 81.6% su SWE-Bench Verified e di 80.1% su Terminal Bench v2.1. Sono numeri del publisher, ottenuti nella sua configurazione: considerali un motivo per provarlo sul tuo repository, non una garanzia.
Chiamate di strumenti e compiti di lunga durata
Il modello restituisce chiamate di funzione che la tua applicazione valida ed esegue, poi prosegue dai messaggi degli strumenti che gli rimandi. tool_choice accetta qui una stringa o un oggetto, e parallel_tool_calls è attivo per impostazione predefinita. Reflection AI mette in evidenza l'uso di strumenti in stile MCP e i compiti in più passaggi, adatti ai cicli di agenti che leggono file, eseguono test e iterano.
Meno token di ragionamento per progetto
Reflection AI afferma che Beam raggiunge una qualità di soluzione comparabile con circa tre volte meno token di ragionamento rispetto ai principali modelli aperti. Se questo vale per il tuo carico di lavoro, si traduce direttamente in un costo di output più basso, perché il ragionamento è fatturato come output. È un'affermazione del publisher: misura il conteggio dei token sui tuoi prompt con sforzo medium e high.
Parametri della richiesta
| Parametro | Obbligatorio | Nota |
|---|---|---|
messages | Sì | Per le lunghe sessioni di programmazione con Beam 1.0, invia conversazione e fonti come testo in ordine e collega ogni risultato dello strumento al |
max_tokens | No | Prevedi insieme risposta visibile e ragionamento fatturato di Beam 1.0 in |
reasoning_effort | No | Beam 1.0 offre low, medium, high, xhigh, max, con medium predefinito; confronta i livelli per le lunghe sessioni di programmazione con Beam 1.0, perché un ragionamento più profo… |
stop | No | Termina il testo di Beam 1.0 con una sequenza o con una tra un massimo di quattro; la sequenza corrispondente resta esclusa dalla risposta. almeno 1 caratteri · almeno 1 elementi · al massimo 4 elementi |
temperature | No | Beam 1.0 accetta temperature da 0 a 2; mantieni fissi gli altri controlli di campionamento per confrontare le formulazioni di le lunghe sessioni di programmazione con Beam 1.0. |
top_p | No | Usa |
tools | No | Fornisci a Beam 1.0 definizioni di funzione in formato OpenAI per le lunghe sessioni di programmazione con Beam 1.0; il modello propone argomenti e la tua applicazione li verifi… al massimo 128 elementi |
parallel_tool_calls | No | Consenti a Beam 1.0 di proporre funzioni indipendenti insieme quando le lunghe sessioni di programmazione con Beam 1.0 richiede più risultati esterni. Predefinito: |
tool_choice | No | Scegli auto, none, required o una funzione specifica per Beam 1.0, poi conserva l’ID della chiamata per proseguire le lunghe sessioni di programmazione con Beam 1.0. |
response_format | No | Chiedi a Beam 1.0 testo o JSON strutturato, poi verifica i campi necessari per le lunghe sessioni di programmazione con Beam 1.0 prima di usarli. |
Prezzi
Input $1 / Output $3 per 1 milione di token
Casi d’uso
Risolvere una issue su tutto il repository
Fornisci al modello il testo della issue, i file rilevanti e l'output del test che fallisce, e chiedi una patch minima insieme al comando che ne dimostra il funzionamento. La finestra da 1,048,576 token permette di includere interi moduli invece di estratti. Controlla il diff ed esegui tu stesso i test prima di fare il merge.
Cicli di agenti nel terminale
Collega il modello a strumenti di shell, file e test e lascia che itori: ispeziona, modifica, esegui, leggi l'output. Conserva la cronologia nella lista dei messaggi, limita il numero di turni e registra ogni chiamata di strumento, così da poter riprodurre un'esecuzione quando qualcosa va storto.
Lavori di codifica in batch sensibili al costo
Per i lavori massivi, come aggiungere annotazioni di tipo, scrivere test per molti moduli o migrare un'API obsoleta, un modello che consuma meno token di ragionamento è utile. Parti da uno sforzo low o medium, verifica a mano qualche risultato e alza l'impostazione solo per i casi che falliscono.
Set di problemi di ragionamento e matematica
Reflection AI pubblica risultati su AIME 2026 e GPQA Diamond, quindi è un candidato ragionevole per i compiti di ragionamento strutturato. Chiedi la risposta e i passaggi chiave separatamente, e verifica i risultati numerici con del codice quando una risposta sbagliata costerebbe caro.
Consigli avanzati
Invia una richiesta di chat
Usa l'endpoint di chat completions con un nome di modello e un array messages di solo testo. Questo modello accetta solo testo, quindi converti prima immagini e documenti in testo. Imposta stream su true quando prevedi risposte lunghe.
Scegli lo sforzo e un tetto di
max_tokensLo sforzo predefinito è medium. Passa a high o superiore per i bug difficili su più passaggi, e a low per le modifiche di routine. Il ragionamento conta dentro
max_tokens, quindi lascia margine: altrimenti il tetto può interrompere la risposta prima della parte visibile.Definisci gli strumenti e restituisci i risultati
Passa strumenti con JSON Schema, lascia che il modello scelga e rispondi a ogni chiamata con un messaggio di strumento che riporti lo stesso
tool_call_id. Mantienireasoning_contentdei turni precedenti dell'assistente nella cronologia quando continui una conversazione con strumenti.Confronta con il tuo modello attuale
Esegui le stesse dieci attività reali con Beam e con il tuo modello attuale, e confronta tasso di successo, token di output e latenza. La stima in questa pagina mostra il costo per richiesta, così puoi calcolare la differenza prima di spostare il traffico.
Lavora sul repository con Beam
Invia a Beam 1.0 il problema, i moduli pertinenti e l’output del test che fallisce. Il budget testuale di 1.048.576 token permette di includere l’implementazione intorno al bug, invece della sola traccia dell’errore.
Prosegui la sessione dell’agente
Parti da medium. Conserva le chiamate precedenti, i relativi tool_call_id e reasoning_content nella cronologia. La tua applicazione esegue le operazioni sui file e i test, poi restituisce l’output reale; nominare il repository non dà a Beam accesso al codice.
Verifica la patch completa
Chiedi il codice modificato e un comando di verifica. Includi il ragionamento in max_tokens, controlla il motivo di fine ed esegui i test prima dell’integrazione. I benchmark di Reflection derivano dalle sue valutazioni; la patch si verifica sul tuo repository.
Le decisioni sui contenuti di Beam 1.0 si applicano a le lunghe sessioni di programmazione con Beam 1.0; le risposte NSFW possono cambiare con richiesta o versione, senza promessa di output senza restrizioni.
Avvio rapido dell’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'
Nel riferimento dell’API trovi autenticazione, schema completo, polling e gestione degli errori.