Introdução
Beam 1.0, da Reflection, foi criado para tarefas de programação e fluxos prolongados com ferramentas. Esta API de chat aceita texto, oferece um orçamento de entrada de 1,048,576 tokens e aceita max_tokens até 943,718. Receba o texto do Beam 1.0 conforme é gerado ou use o resultado de uma função como base para a próxima etapa de as sessões longas de programação com Beam 1.0.
| Campo | Valor |
|---|---|
| Entrada | Texto |
| Saída | Texto |
| Orçamento de entrada | 1,048,576 tokens |
| Limite de max_tokens | 943,718 |
| Entradas | texto |
Recursos e destaques
Pesos abertos, servidos por API
Os pesos do Beam são públicos, então o modelo que você chama aqui também pode ser executado ou ajustado por você mesmo, caso suas necessidades mudem. A Reflection AI o descreve como um modelo aberto para uso comercial e de pesquisa. Este endpoint é o caminho rápido: não há GPUs para provisionar, o uso é cobrado por token e você mantém a mesma requisição de chat completions que já escreve.
Pensado para repositórios reais
A ficha do modelo da Reflection AI foca em resolver issues reais do GitHub, em trabalhar com linha de comando e ambientes DevOps e em integrar-se a harnesses de código agêntico. Ela publica 81.6% no SWE-Bench Verified e 80.1% no Terminal Bench v2.1. São números do próprio publicador, obtidos na configuração dele. Use-os como motivo para testar o modelo no seu repositório, não como garantia.
Chamadas de ferramentas e tarefas longas
O modelo devolve chamadas de função que sua aplicação valida e executa, e então continua a partir das mensagens de ferramenta que você envia de volta. O tool_choice aceita aqui uma string ou um objeto, e parallel_tool_calls vem ativado por padrão. A Reflection AI destaca o uso de ferramentas no estilo MCP e tarefas de múltiplas etapas, o que combina com loops de agentes que leem arquivos, rodam testes e iteram.
Menos tokens de raciocínio por projeto
A Reflection AI afirma que o Beam alcança qualidade de solução comparável com cerca de três vezes menos tokens de raciocínio do que os principais modelos abertos. Se isso valer para a sua carga, aparece diretamente como custo de saída menor, já que o raciocínio é cobrado como saída. É uma afirmação do publicador: meça a contagem de tokens com seus próprios prompts nos esforços medium e high.
Parâmetros da requisição
| Parâmetro | Obrigatório | Descrição |
|---|---|---|
messages | Sim | Para as sessões longas de programação com Beam 1.0, envie a conversa e as fontes em texto na ordem e vincule cada resultado de ferramenta ao |
max_tokens | Não | Reserve |
reasoning_effort | Não | O Beam 1.0 oferece low, medium, high, xhigh, max, com medium por padrão; compare níveis para as sessões longas de programação com Beam 1.0, pois um raciocínio mais profundo pode… |
stop | Não | Encerre o texto do Beam 1.0 em uma sequência de parada ou em qualquer uma de até quatro; a sequência encontrada fica fora da resposta. pelo menos 1 caracteres · pelo menos 1 itens · no máximo 4 itens |
temperature | Não | O Beam 1.0 aceita temperature de 0 a 2; mantenha os outros controles de amostragem fixos ao comparar formulações para as sessões longas de programação com Beam 1.0. |
top_p | Não | Use |
tools | Não | Forneça ao Beam 1.0 funções no formato OpenAI para as sessões longas de programação com Beam 1.0; o modelo propõe argumentos e seu aplicativo valida e executa a operação. no máximo 128 itens |
parallel_tool_calls | Não | Permita que o Beam 1.0 proponha funções independentes juntas quando as sessões longas de programação com Beam 1.0 exigir vários resultados externos. Valor padrão: |
tool_choice | Não | Escolha auto, none, required ou uma função específica para Beam 1.0 e preserve o ID retornado para continuar as sessões longas de programação com Beam 1.0. |
response_format | Não | Peça texto ou JSON estruturado ao Beam 1.0 e valide os campos necessários para as sessões longas de programação com Beam 1.0 antes de usá-los. |
Preços
Entrada $1 / Saída $3 por 1 milhão de tokens
Casos de uso
Resolver uma issue em todo o repositório
Passe ao modelo o texto da issue, os arquivos relevantes e a saída do teste que falha, e peça um patch mínimo junto com o comando que comprova que ele funciona. A janela de 1,048,576 tokens permite incluir módulos inteiros em vez de trechos. Revise o diff e rode os testes você mesmo antes de fazer o merge.
Loops de agentes no terminal
Conecte o modelo a ferramentas de shell, de arquivos e de testes e deixe-o iterar: inspecionar, editar, executar, ler a saída. Mantenha o histórico na lista de mensagens, limite o número de turnos e registre cada chamada de ferramenta para poder reproduzir uma execução quando algo der errado.
Trabalho de código em lote sensível a custo
Para tarefas em massa, como adicionar anotações de tipo, escrever testes para muitos módulos ou migrar uma API descontinuada, um modelo que gasta menos tokens de raciocínio ajuda. Comece com esforço low ou medium, revise alguns resultados à mão e aumente a configuração só nos casos que falham.
Conjuntos de problemas de raciocínio e matemática
A Reflection AI publica resultados no AIME 2026 e no GPQA Diamond, então é um candidato razoável para tarefas de raciocínio estruturado. Peça a resposta e os passos principais separadamente, e verifique os números finais com código quando uma resposta errada for cara.
Guia de prompt e dicas práticas
Envie uma requisição de chat
Use o endpoint de chat completions com um nome de modelo e um array messages de texto puro. Este modelo é somente texto, então converta imagens ou documentos em texto antes de enviar. Defina stream como true quando esperar respostas longas.
Escolha o esforço e um limite de
max_tokensO esforço padrão é medium. Suba para high ou acima em bugs difíceis de várias etapas, e desça para low em edições rotineiras. O raciocínio conta dentro de
max_tokens, então deixe folga; caso contrário, o limite pode encerrar a resposta antes da parte visível.Defina ferramentas e devolva os resultados
Passe ferramentas com JSON Schema, deixe o modelo escolher e responda a cada chamada com uma mensagem de ferramenta que carregue o mesmo
tool_call_id. Mantenha oreasoning_contentdos turnos anteriores do assistente no histórico quando continuar uma conversa com ferramentas.Compare com o seu modelo atual
Execute as mesmas dez tarefas reais com o Beam e com o seu modelo atual, e compare taxa de acerto, tokens de saída e latência. A estimativa desta página mostra o custo por requisição, então você pode calcular a diferença antes de migrar o tráfego.
Trabalho de repositório com Beam
Envie ao Beam 1.0 o problema, os módulos relevantes e a saída do teste que falha. O orçamento de texto de 1.048.576 tokens permite incluir a implementação ao redor do erro, em vez de apenas o rastreamento da falha.
Continue a sessão do agente
Comece com medium. Preserve as chamadas anteriores, seus valores tool_call_id e reasoning_content no histórico. Seu aplicativo executa as operações de arquivo e os testes, devolvendo a saída real; mencionar o nome do repositório não dá acesso aos arquivos ao Beam.
Confira o patch completo
Peça o código alterado e um comando de verificação. Inclua o raciocínio em max_tokens, confira o motivo de término e execute os testes antes de integrar. Os benchmarks da Reflection vêm de avaliações próprias; seu repositório determina se o patch funciona.
As decisões de conteúdo do Beam 1.0 valem para as sessões longas de programação com Beam 1.0; as respostas NSFW podem mudar com a solicitação ou versão, sem promessa de saída irrestrita.
Início rápido da 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'
Consulte a referência da API para autenticação, esquema completo, polling e tratamento de erros.