Wprowadzenie
Beam 1.0 od Reflection służy do zadań związanych z programowaniem i długimi procesami z narzędziami. API czatu przyjmuje tekst, udostępnia budżet wejścia 1,048,576 tokenów i przyjmuje max_tokens do 943,718. Obsługiwane są odpowiedzi strumieniowe i wywołania funkcji.
| Pole | Wartość |
|---|---|
| Wejście | Tekst |
| Wyjście | Tekst |
| Budżet wejścia | 1,048,576 tokens |
| Limit max_tokens | 943,718 |
| Dane wejściowe | tekst |
Najważniejsze funkcje
Otwarte wagi, udostępnione przez API
Wagi Beam są publicznie dostępne, więc model, którego tu używasz, możesz w razie potrzeby również uruchomić lub dostroić samodzielnie. Reflection AI opisuje go jako model otwarty do użytku komercyjnego i badawczego. Ten endpoint to szybka droga: nie trzeba przygotowywać GPU, opłata naliczana jest za tokeny, a żądanie chat completions pozostaje takie samo, jak to, które już piszesz.
Stworzony do prawdziwych repozytoriów
Karta modelu Reflection AI koncentruje się na rozwiązywaniu prawdziwych zgłoszeń z GitHuba, pracy w wierszu poleceń i środowiskach DevOps oraz integracji z agentowymi środowiskami do kodowania. Publikowane wyniki to 81.6% w SWE-Bench Verified i 80.1% w Terminal Bench v2.1. To liczby samego wydawcy, uzyskane w jego konfiguracji, więc traktuj je jako powód, by przetestować model we własnym repozytorium, a nie jako gwarancję.
Wywołania narzędzi i zadania długotrwałe
Model zwraca wywołania funkcji, które Twoja aplikacja weryfikuje i wykonuje, a następnie kontynuuje na podstawie wiadomości narzędzi, które mu odsyłasz. Parametr tool_choice przyjmuje tu ciąg znaków lub obiekt, a parallel_tool_calls jest domyślnie włączony. Reflection AI podkreśla użycie narzędzi w stylu MCP oraz zadania wieloetapowe, co pasuje do pętli agentów, które czytają pliki, uruchamiają testy i iterują.
Mniej tokenów rozumowania z założenia
Reflection AI twierdzi, że Beam osiąga porównywalną jakość rozwiązań przy około trzykrotnie mniejszej liczbie tokenów rozumowania niż wiodące modele otwarte. Jeśli to potwierdzi się w Twoim obciążeniu, przełoży się to bezpośrednio na niższy koszt wyjścia, ponieważ rozumowanie jest rozliczane jako wyjście. To twierdzenie wydawcy, więc zmierz liczbę tokenów na własnych promptach przy poziomach medium i high.
Parametry żądania
| Parametr | Wymagane | Uwaga |
|---|---|---|
messages | Tak | Przy zadaniu „długie sesje programowania z modelem Beam 1.0” przekaż rozmowę i źródła jako tekst w kolejności, wiążąc wynik każdego narzędzia z pierwotnym |
max_tokens | Nie | W |
reasoning_effort | Nie | Model Beam 1.0 udostępnia low, medium, high, xhigh, max, domyślnie medium; porównaj poziomy przy zadaniu „długie sesje programowania z modelem Beam 1.0”, bo głębsze rozumowanie… |
stop | Nie | Zakończ tekst modelu Beam 1.0 na jednej sekwencji lub dowolnej z maksymalnie czterech; dopasowana sekwencja nie trafia do odpowiedzi. od 1 znaków · od 1 elementów · do 4 elementów |
temperature | Nie | Model Beam 1.0 przyjmuje temperature od 0 do 2; porównując sformułowania dla zadania „długie sesje programowania z modelem Beam 1.0”, zachowaj pozostałe ustawienia próbkowania. |
top_p | Nie | Użyj |
tools | Nie | Przekaż modelowi Beam 1.0 definicje funkcji w formacie OpenAI do zadania „długie sesje programowania z modelem Beam 1.0”; model proponuje argumenty, a aplikacja je sprawdza i wy… do 128 elementów |
parallel_tool_calls | Nie | Zezwól modelowi Beam 1.0 proponować niezależne wywołania razem, gdy zadanie „długie sesje programowania z modelem Beam 1.0” wymaga kilku wyników zewnętrznych. Domyślnie: |
tool_choice | Nie | Wybierz auto, none, required lub konkretną funkcję dla modelu Beam 1.0 i zachowaj zwrócony identyfikator wywołania przy kontynuacji zadania „długie sesje programowania z modelem… |
response_format | Nie | Poproś model Beam 1.0 o tekst lub uporządkowany JSON i sprawdź pola potrzebne do zadania „długie sesje programowania z modelem Beam 1.0”, zanim użyje ich aplikacja. |
Cennik
Wejście $1 / Wyjście $3 za 1 mln tokenów
Zastosowania
Rozwiązanie zgłoszenia w całym repozytorium
Przekaż modelowi treść zgłoszenia, odpowiednie pliki i wynik nieudanego testu, a następnie poproś o minimalną poprawkę oraz polecenie, które potwierdza, że działa. Okno 1,048,576 tokenów pozwala dołączyć całe moduły zamiast fragmentów. Przed scaleniem przejrzyj diff i uruchom testy samodzielnie.
Pętle agentów w terminalu
Połącz model z narzędziami powłoki, plików i testów i pozwól mu iterować: sprawdzić, zmienić, uruchomić, odczytać wynik. Historię trzymaj na liście wiadomości, ogranicz liczbę tur i zapisuj każde wywołanie narzędzia, aby można było odtworzyć przebieg, gdy coś pójdzie nie tak.
Wsadowa praca nad kodem wrażliwa na koszt
Przy zadaniach masowych, takich jak dodawanie adnotacji typów, pisanie testów dla wielu modułów czy migracja przestarzałego API, przydaje się model, który zużywa mniej tokenów rozumowania. Zacznij od poziomu low lub medium, sprawdź ręcznie kilka wyników i podnoś ustawienie tylko w przypadkach, które zawodzą.
Zestawy zadań z rozumowania i matematyki
Reflection AI publikuje wyniki w AIME 2026 i GPQA Diamond, więc jest rozsądnym kandydatem do zadań ze strukturalnym rozumowaniem. Proś o odpowiedź i kluczowe kroki osobno, a gdy błędna odpowiedź byłaby kosztowna, sprawdzaj końcowe liczby kodem.
Wskazówki
Wyślij żądanie czatu
Użyj endpointu chat completions z nazwą modelu i tablicą messages w zwykłym tekście. Ten model obsługuje wyłącznie tekst, więc przed wysłaniem zamień obrazy i dokumenty na tekst. Gdy spodziewasz się długich odpowiedzi, ustaw stream na true.
Wybierz poziom rozumowania i limit
max_tokensDomyślny poziom to medium. Przejdź na high lub wyższy przy trudnych, wieloetapowych błędach, a na low przy rutynowych zmianach. Rozumowanie wlicza się do
max_tokens, więc zostaw zapas; inaczej limit może przerwać odpowiedź, zanim pojawi się widoczna część.Zdefiniuj narzędzia i zwróć wyniki
Przekazuj narzędzia w formacie JSON Schema, pozwól modelowi wybrać i odpowiadaj na każde wywołanie narzędzia wiadomością z tym samym
tool_call_id. Gdy kontynuujesz rozmowę z narzędziami, zachowaj w historiireasoning_contentz wcześniejszych tur asystenta.Porównaj z obecnym modelem
Uruchom te same dziesięć rzeczywistych zadań w Beam i w obecnym modelu, a potem porównaj odsetek poprawnych rozwiązań, liczbę tokenów wyjścia i opóźnienie. Szacunek na tej stronie pokazuje koszt jednego żądania, więc różnicę możesz wycenić, zanim przeniesiesz ruch.
Praca nad repozytorium z Beam
Przekaż modelowi Beam 1.0 opis błędu, właściwe moduły i wynik nieudanego testu razem. Budżet 1 048 576 tokenów tekstu pozwala dołączyć implementację wokół błędu zamiast samego stosu wywołań.
Kontynuuj sesję agenta
Zacznij od medium. Zachowaj wcześniejsze wywołania funkcji, ich tool_call_id oraz reasoning_content w historii. Operacje na plikach i testy wykonuje aplikacja, która odsyła rzeczywisty wynik; sama nazwa repozytorium nie daje modelowi Beam dostępu do kodu.
Sprawdź cały patch
Poproś o zmieniony kod i polecenie weryfikacji. Uwzględnij rozumowanie w max_tokens, sprawdź powód zakończenia i uruchom testy przed scaleniem. Benchmarki Reflection pochodzą z jej własnych ocen; poprawność zmiany sprawdza się w Twoim repozytorium.
Przy zadaniu „długie sesje programowania z modelem Beam 1.0” obowiązują decyzje modelu Beam 1.0 dotyczące treści; odpowiedzi NSFW mogą się zmieniać wraz z żądaniem lub wersją, bez obietnicy nieograniczonego wyniku.
Szybki start z 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'
Uwierzytelnianie, pełny schemat, odpytywanie i obsługę błędów opisuje dokumentacja API.