Reflection Beamとは？501B/アクティブ23Bのオープンウェイトモデルの性能・使い方・GLM-5.2/Qwen3.8-Maxとの違い【2026年10月最新】

Reflection Beam（ビーム）は、米国のAIスタートアップReflection AIが2026年10月5日に発表した、総パラメータ5,010億（501B）・アクティブ230億（23B）のMoE型テキストLLMです。 コーディング・推論・エージェント用途向けのモデルで、重みは2026年10月中にApache 2.0で公開される予定です。現時点では、ウェイトリスト制のAPI（β版）で試せます。

Beamのスペック、できること・できないこと、APIとコーディングエージェント「Mirror CLI」の使い方、「1Mコンテキスト」の実態、GLM-5.2・Qwen3.8-Maxとの性能・料金・ライセンスの違いを整理します。発表直後のモデルなので、「確定している情報」「予告だけの情報」「まだ公開されていない情報」 を分けて書いています。

こんな方に向けた記事です

• 米国製でライセンスが緩いオープンウェイトモデルを探している企業の開発・情報システム担当者
• GLM-5.2やQwen3.8-Maxなど中国製モデルの代わりを検討しているエンジニア
• コーディングエージェントを推論コストを抑えて動かしたい開発者

Reflection Beamの要点まとめ

出典: Reflection AI 公式ブログ

Beamは「最高性能のモデル」ではなく、「同じくらいの性能帯で、計算の軽さ（アクティブ23B）・米国製・Apache 2.0予定という3点を兼ね備えたモデル」 と考えると実態に合います。

• 性能: 公式ベンチマークではGLM-5.2とほぼ互角。Qwen3.8-Max・Kimi K3・GLM-5.3には多くの項目で届かない（いずれもReflectionの自己申告値）
• 軽さ: 1トークンあたりに使うのは23Bぶん（総パラメータの約4.6%）だけ。公式は「GLM-5.2と同等の推論スコアを3〜4倍少ない推論計算量で達成」と主張している
• 導入のしやすさ: Apache 2.0（予定）なので、宣言どおりなら商用利用・改変・再配布の制約が少ない
• 注意点: 2026年10月6日時点では重みもAPI料金もまだ公開されていない。APIで使えるコンテキストは256Kまで

確定している情報／予告だけの情報／未公開の情報

発表から日が浅いため、ネット上では「すでにApache 2.0で配布中」「APIで100万トークン使える」といった不正確な情報も出回っています。2026年10月6日時点の状況は次のとおりです。

名前が似たモデルとの混同に注意: 2024年9月に話題になった「Reflection 70B」（HyperWriteのMatt Shumer氏が発表したLlama 3.1ベースのモデル）は、今回のReflection AIとは別の組織・別のモデルです。「Reflection AI」で検索すると両方の情報が混ざって出てくるので注意してください。

Reflection Beamの基本情報

出典: Reflection AI 公式サイト

Beamは、Reflection AIにとって初めての「フロンティア級」オープンウェイトモデルです。公式ブログでは、企業や開発者が日常的に使う「ワークホース（主力）モデル」と位置づけられています。

学習の規模

公式ブログによると、事前学習には23.8兆トークン（Webデータと独自にライセンスを得たデータ）を使い、NVIDIA GB300 NVL72を6,144基使って4週間弱で完了しています。その後の強化学習（RL）ではGB300を約10,500基使い、コーディング・エージェント・STEM分野の約100万種類の環境で1億回超の試行を回したとされています。

一部メディアでは事前学習とRLのGPU数が混同されていますが、事前学習が6,144基、RLが約10,500基です。

Reflection AIという会社

TechCrunchによると、Reflection AIはNVIDIA・Sequoia・Lightspeedなどから累計約47億ドルを調達し、評価額は250億ドル（プレマネー）とされています（評価額は報道の時期によって数字が異なります）。また、SpaceX（約63億ドル）やNebius（約10億ドル）と計算資源の契約を結び、GB300を2029年まで確保していると報じられています。

米国では「中国製のオープンウェイトモデル（GLM・Qwen・Kimi・DeepSeek）に対抗できる米国製モデルが足りない」という議論が続いていました。Beamはこの空白を埋める存在として、TechCrunchやThe Hillなどで大きく取り上げられています。

MoEの「アクティブ23B」とは？軽いのは計算であってメモリではない

「アクティブ23B」は、1トークンを生成するときに実際に計算に使うパラメータが23Bぶんだけという意味です。MoEモデルは多数の「エキスパート（専門家）」を持ち、入力ごとに一部のエキスパートだけを呼び出して計算します。そのため、生成速度や計算量は23B級のモデルに近くなります。

ただし、どのエキスパートが呼ばれるかは入力によって変わるため、メモリには501B分のすべての重みを載せておく必要があります。 「アクティブ23Bだから一般的なPCでも動く」というのは誤解です。

ローカル実行に必要なメモリの目安

公式の推奨ハードウェア構成はまだ発表されていません。解説メディアKingy AIの試算では、重みだけで次の容量が必要になります（KVキャッシュや実行時のメモリは含まない理論値です）。

4bitに量子化しても200GiBを超えるため、H100・H200・B200クラスのGPUを複数枚積んだサーバーか、クラウドでの運用が前提になります。手元のPCでローカルLLMを動かしたい場合は、Ollamaの解説や、Apache 2.0で公開されている小型モデルQwen3.8（27B）の解説も参考にしてください。

Reflection Beamでできること

公式によると、Beamはエージェント型コーディング・多段階の推論・ツール呼び出しを特に重視して学習されています。主な用途は次のとおりです。

公式ブログでは、明示的に学習していないブラウジング作業にも対応できたこと、Web検索・別のLLMへの問い合わせ・OCR APIを自分から使い分けたこと、最新のGemmaをファインチューニングするノートブックの作成のような想定外のタスクもやり遂げたことが紹介されています。

企業向けの「AI Factory」構想

Reflection AIは、企業や国家がBeamを自社データで追加学習し、自前のAI基盤を持てるようにする「AI Factory」という構想も打ち出しています。TechCrunchによると、韓国の新世界（Shinsegae）グループがテストパートナーです。重みがApache 2.0で公開されれば、この用途で特に価値が出るモデルといえます。

Reflection Beamの強み

Beamの強みは、生の性能ではなく「性能・軽さ・ライセンス・開発国」の組み合わせにあります。

1. 米国製オープンウェイトの中では最上位クラス

公式ベンチマークでは、同じ西側のオープンウェイトモデルであるThinking MachinesのInklingやNVIDIAのNemotron 3 Ultraを、ほぼすべての項目で上回っています。たとえばSWE-Bench Pro v1では、Beamが65.5、Inklingが54.3、Nemotron 3 Ultraが46.4です。

2. 総パラメータに対して性能が高い

Qwen3.8-Maxが総2.4T・アクティブ95Bなのに対し、Beamは総501B・アクティブ23Bです。総パラメータは約5分の1ですが、公式ベンチマークでは差が数ポイントにとどまる項目も少なくありません。

3. Apache 2.0（予定）でライセンスの制約が少ない

Apache 2.0は、商用利用・改変・再配布を認める代表的な寛容ライセンスです。Qwen3.8-Maxの大規模版やKimi K3のように独自ライセンスを採用するモデルと比べると、法務チェックの負担を軽くしやすくなります。

4. 中国製モデルを使いづらい組織の選択肢になる

日本企業の中にも、取引先との契約や社内のセキュリティ方針で、中国製モデルの利用に慎重な組織があります。そうした組織にとって、「米国製・Apache 2.0（予定）・GLM-5.2並みの性能」というBeamの組み合わせは、現実的な選択肢になり得ます。

5. OpenAI互換APIで移行しやすい

APIはOpenAIのChat Completions形式に対応しており、OpenAI公式SDKのベースURLを差し替えるだけで呼び出せます。既存のアプリやエージェントからの切り替えテストを始めやすいのも利点です。

Reflection Beamの弱み・制約

一方で、現時点のBeamには制約も多く、今すぐ本番環境に組み込むには判断材料が足りません。

• 重みが未公開: 2026年10月6日時点ではHugging Faceにも重みは見当たらず、ローカル実行・量子化・ファインチューニング・自社ホストはまだできない
• 料金が未公開: API単価・プランが発表されておらず、コスト試算ができない
• テキスト専用: 画像・音声・ファイルの入力に対応していない
• APIでは1Mコンテキストを使えない: β版のAPIで使えるのは256K（出力は最大128K）まで
• APIの機能が限られる: 使えるのは POST /chat/completions、GET /models、GET /models/{model} のみ。Responses API・Embeddings・Batch・Files・Assistants・画像／音声APIには非対応
• 推論をオフにできない: 最も軽い low でも推論トークンが発生する
• stopシーケンスが効かない: パラメータは受け付けるが生成が止まらないため、出力を自前で切り詰める必要がある
• 固定・非対応のパラメータがある: n=1、logprobs=false などは固定。top_logprobs・audio・prediction・user・metadata を指定すると400エラーになる
• ベンチマークはすべて自己申告: Artificial Analysisなど第三者による評価はまだ出ていない
• 最高性能ではない: Kimi K3・GLM-5.3・DeepSeek V4.1 Flashには、Terminal-BenchやDeepSWEなど多くの項目で届いていない
• 日本語の性能は不明: 公式は日本語性能に触れていない（SWE-Bench Multilingualの「多言語」はプログラミング言語の話で、日本語のような自然言語の性能を示すものではない）

Reflection Beamの料金

2026年10月6日時点で、BeamのAPI料金は公開されていません。 公式ブログ・開発者ドキュメントのどちらにも、100万トークンあたりの単価は載っていません。

レート制限の仕組み

公式ドキュメントによると、レート制限は組織単位で、すべてのAPIキー・プロジェクトで共有されます。APIキーを増やしても上限は増えません。分単位・日単位（UTC）のリクエスト数とトークン数、同時実行数で制御され、上限を超えるとHTTP 429（rate_limit_exceeded）と Retry-After ヘッダーが返ります。日次の上限は00:00 UTC（日本時間9:00）にリセットされます。

「3〜4倍安い」とは言えない理由

公式が主張する「GLM-5.2の3〜4倍効率的」は、推論にかかる計算量の比較であって、料金の比較ではありません。 計算式は「2 × アクティブパラメータ数 × 1回あたりの平均生成トークン数」とされ、プロンプトの読み込み（prefill）や、文脈が長くなるほど増えるアテンションの計算、サービング時のオーバーヘッドは含まれていません。Reflection自身も「近似的な比較で、実測コストではない」と説明しています（The Next Web）。

また、推論トークンは出力トークン（completion_tokens）に含まれる仕組みです。料金が発表されたら、推論エフォートの設定次第で出力コストが大きく変わる可能性がある点にも注意してください。

Reflection Beamの使い方

出典: Reflection AI 公式（開発者ドキュメント）

現時点でBeamを試す方法は、Playground（ブラウザ）・API・Mirror CLIの3つです。いずれもReflectionの開発者向けサイトでウェイトリストに登録し、利用を許可される必要があります。

手順1: ウェイトリスト登録とAPIキーの作成

1. Reflectionの開発者サイト（developers.reflection.ai）でアカウントを作成し、ウェイトリストに登録する
2. 利用が許可されたら、コンソールでAPIキーを作成する
3. まずはWebのPlaygroundで、コードを書かずに応答の傾向を確認する

手順2: OpenAI SDKからAPIを呼び出す

APIはOpenAI互換です。ベースURLを https://api.reflection.ai/openai/v1 に変えるだけで、OpenAI公式のPython／TypeScript SDKから呼び出せます。

pip install openai
export REFLECTION_API_KEY="取得したAPIキー"

import os
from openai import OpenAI

client = OpenAI(
    base_url="https://api.reflection.ai/openai/v1",
    api_key=os.environ["REFLECTION_API_KEY"],
)

resp = client.chat.completions.create(
    model="Beam-501B-A23B",
    reasoning_effort="medium",  # low / medium（既定）/ high / xhigh / max
    messages=[
        {"role": "system", "content": "あなたは優秀なPythonエンジニアです。"},
        {"role": "user", "content": "CSVを読み込んで列ごとの欠損率を出す関数を書いてください。"},
    ],
    max_completion_tokens=8000,
)

msg = resp.choices[0].message
print(msg.content)                               # 最終回答
print(getattr(msg, "reasoning_content", None))   # 推論の過程（ユーザーには表示しない）
print(resp.usage)                                # 推論トークンもcompletion_tokensに含まれる

curlで確認する場合は次のとおりです。

curl https://api.reflection.ai/openai/v1/chat/completions \
  -H "Authorization: Bearer $REFLECTION_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "Beam-501B-A23B",
    "reasoning_effort": "low",
    "messages": [{"role": "user", "content": "MoEとは何か、3行で説明してください。"}]
  }'

APIで使える主な機能は、ストリーミング（usage付き）、ツール呼び出し（tool_choice・並列呼び出し）、構造化出力（json_object／json_schema）、system・developer・user・assistant・toolの各ロール、temperature・top_p・seedなどです。

推論エフォートの選び方

Beamは常に推論（思考）してから回答します。推論の深さは reasoning_effort で5段階から選べます。

推論の過程は message.reasoning_content、最終回答は message.content に分かれて返ります。ストリーミングでは delta.reasoning_content が先に届きます。推論トークンは max_completion_tokens の上限にも数えられるため、上限が小さいと回答の途中で finish_reason: "length" で止まります。エフォートを上げるときは、出力上限も合わせて広げてください。

手順3: Mirror CLIでコーディングエージェントとして使う

Mirror CLIは、Reflection純正のターミナル型コーディングエージェント（β版）です。初期設定のままBeamにつながります。

# インストール（実行前にスクリプトの中身を確認することを推奨）
curl -fsSL https://raw.githubusercontent.com/reflection-oss/mirror-beta/main/install.sh | bash

export REFLECTION_API_KEY="取得したAPIキー"
cd your-project
mirror

初回起動時にフォルダを信頼するかどうか聞かれるので承認します。起動後は、/reasoning で推論エフォート、/model でモデル、/permissions でツール実行の承認モードを切り替えられます。

• 対応OS: macOS 15以降（Apple Silicon）、Linux（glibc 2.28以降、x86-64／ARM64）
• ネイティブのWindowsには非対応（WindowsではWSL2などのLinux環境を使う形になる）
• 必要に応じてPython 3.12とuvが自動で導入される

公式ドキュメントでは、Mirror以外にPi・OpenCode・Hermes Agentとの連携手順も案内されています。普段OpenCodeを使っている方は、OpenCodeの解説もあわせて確認してください。なお、Claude Code・Codex・Clineとの連携手順は、現時点では公式に案内されていません。

Reflection BeamとGLM-5.2・Qwen3.8-Maxの違い

出典: Reflection AI 公式ブログ

性能だけで選ぶならQwen3.8-Max、料金が確定していてすぐ使えるのはGLM-5.2、米国製・軽さ・Apache 2.0を重視するならBeam、という選び分けになります。Reflectionの公式ベンチマーク表でも、この2モデルは中国製の主な比較対象として並んでおり、効率の主張もGLM-5.2を基準にしています。

スペック・料金・ライセンスの比較表

※GLM-5.2・Qwen3.8-Maxの料金は各社公式ドキュメントに掲載された標準単価です。Qwen3.8-Maxはシンガポールリージョンでは入力$2.00／出力$6.00です。料金は改定されることがあるため、契約前に各社の最新の料金ページを確認してください。

ベンチマーク比較（公式発表値）

※すべてReflection公式ブログに掲載された値で、第三者による再現はまだありません。

数値を見ると、GLM-5.2とは項目によって勝ったり負けたりの互角で、Qwen3.8-Maxには多くの項目でわずかに届きません。 ただしBeamのアクティブパラメータはGLM-5.2の約半分、Qwen3.8-Maxの約4分の1です。「同じくらいの性能を、より少ない計算で出せるか」がBeamを評価するポイントになります。

同じ公式表に載っている他のモデルを見ると、Kimi K3はTerminal-Bench v2.1で88.3、BrowseCompで91.2、GLM-5.3はTerminal-Bench v2.1で88.2と、Beamを明確に上回っています。生の性能を最優先するなら、これらのモデルも比較に入れるべきです。

各モデルの詳細は、GLM-5.2の解説とQwen3.8-Maxの解説で紹介しています。「Qwen 3.8」で検索すると27Bの小型モデルも出てきますが、Beamの比較相手は大規模版のQwen3.8-Maxです。

目的別の選び分け

セキュリティ・利用上の注意点

Beamを業務で試す場合は、データの取り扱い・エージェントの権限・オープンウェイト特有のリスクの3点を押さえておく必要があります。

データの取り扱いポリシーが確認できていない

APIの store パラメータは false に固定されています。ただし、2026年10月6日時点では、データ保持期間や学習への利用有無を説明した開発者向けページは見当たりません。機密情報や個人情報を入力する前に、利用規約とプライバシーポリシーを必ず確認してください。 β版の段階では、公開されても問題ないデータでの検証にとどめるのが無難です。

Mirror CLIはサンドボックスではない

Mirror CLIは、初期設定では読み取り専用のコマンドも含めて、すべてのツール実行で承認を求めます。/permissions や --approval-mode auto で自動承認に切り替えることもできますが、公式ドキュメントには「ツールはあなたのアカウント権限でローカル実行される。Mirror CLIはサンドボックスではない」と書かれています。

• 自動承認を使うなら、コンテナや仮想マシンなど隔離した環境で動かす
• 本番環境の認証情報（.env・クラウドの認証キーなど）が置かれたフォルダで実行しない
• curl | bash 形式のインストールは、実行前にスクリプトの中身を確認する

安全性評価はまだ公開されていない

公式ブログによると、Beamは安全性・アライメント専用のモデルを別に育て、その知識を本体に統合する手法（multi-teacher on-policy distillation）や、安全ポリシーを推論に組み込む仕組みを取り入れています。ただし、現在はレッドチーミングと最終評価の段階で、評価結果は技術レポートで後日公開される予定です。

オープンウェイト特有のリスク

重みが公開されると、誰でもダウンロード・改変できるようになります。つまり、技術的には安全機構を外したモデルを作ることも可能です。オープンウェイトの是非をめぐる議論は、Anthropicのオープンウェイトに対する立場やオープンモデルのセキュリティ連合の動きでも整理しています。

また、Apache 2.0はあくまで「予定」です。重みが公開されたら、配布されるLICENSEファイルで条件を最終確認してください。

Reflection Beamがおすすめな人・おすすめしない人

こんな人におすすめ

• 米国製で寛容なライセンスのオープンウェイトモデルが条件になっている企業（中国製モデルを社内利用しづらい組織）
• コーディングエージェントを、推論コストを抑えて大量に回したい開発チーム
• 重みの公開後に自社データで追加学習し、社内専用モデルを作りたい企業
• OpenAI互換APIで、複数のモデルを入れ替えて比較検証している開発者
• GPUサーバーやクラウドで大規模モデルを運用する体制がある組織

こんな人にはおすすめしない

• 今すぐ本番に導入したい人: 料金・重み・レート上限がまだ確定していない
• 画像・音声・PDFを直接読ませたい人: テキスト専用のため、マルチモーダル対応のモデルが必要
• 手元のPC1台で動かしたい人: 4bit量子化でも重みだけで約233GiBが必要
• とにかく最高性能が欲しい人: Kimi K3・GLM-5.3や、クローズドな最上位モデルのほうが性能は上
• APIで1Mトークンの長文を扱いたい人: 現時点のAPIは256Kまで
• 日本語の文章生成の品質を最優先する人: 公式に日本語性能の情報がなく、自分で検証が必要

導入判断の目安

重みが公開されれば、OpenRouterなどの複数モデルをまとめて使えるサービス経由でも提供される可能性があります。使い方はOpenRouterの解説を参考にしてください。

よくある質問（FAQ）

Q. Reflection Beamは無料で使えますか？

A. 2026年10月6日時点では、API料金が発表されていないため、β期間中の費用がどう扱われるかもはっきりしていません。重みが公開されれば、Apache 2.0（予定）のもとでライセンス費用なしで自社ホストできる見込みですが、GPUサーバーの費用は別にかかります。

Q. 「Beam-501B-A23B」というモデル名はどういう意味ですか？

A. 「501B」が総パラメータ数（5,010億）、「A23B」がアクティブパラメータ数（230億）を表します。オープンウェイトのMoEモデルでよく使われる命名方法で、Qwen系の「235B-A22B」なども同じルールです。

Q. Hugging Faceからダウンロードできますか？

A. 2026年10月6日時点では、Hugging Face上にBeamの重みは公開されていません。公式は「今月後半」の公開を予告していますが、具体的な日付やリポジトリ名は発表されていません。

Q. Claude CodeやCursorから使えますか？

A. 公式に連携手順が案内されているのは、Mirror CLI・Pi・OpenCode・Hermes Agentです。APIはOpenAI互換なので、カスタムのOpenAI互換エンドポイントを設定できるツールなら技術的には接続できる可能性があります。ただし、stopシーケンスが効かない、Responses APIに非対応といった仕様の違いで、うまく動かない場合もあります。

Q. 日本語は使えますか？

A. 日本語での質問や回答そのものはできますが、公式は日本語の性能について何も公表していません。日本語の文章作成や社内文書の要約に使う予定があるなら、Playgroundで実際の業務データに近いサンプルを使って品質を確かめてください。

Q. 2024年に話題になった「Reflection 70B」の後継ですか？

A. いいえ、無関係です。Reflection 70BはHyperWriteのMatt Shumer氏が2024年9月に発表したモデルで、性能の数値が水増しされていたのではないかという疑惑で注目を集めました。Beamを開発したReflection AIは、元Google DeepMindの研究者が2024年に創業した別の会社です。

まとめ

Reflection Beamは、総501B・アクティブ23BのMoE構造により、GLM-5.2と互角の性能を、より少ない計算量で出すことを狙った米国製のオープンウェイトモデルです。Apache 2.0での公開が予定されていることもあり、中国製モデルを使いづらい企業にとっては有力な選択肢になり得ます。

一方で、2026年10月6日時点では重み・料金・安全性評価がまだ公開されておらず、APIのコンテキストも256Kまでです。ベンチマークもすべてReflectionの自己申告で、Qwen3.8-MaxやKimi K3には届かない項目が多くあります。

今の段階では、ウェイトリストに登録してPlaygroundやAPIで性能の傾向を確かめつつ、重みと料金の発表を待って本格導入を判断するのが現実的です。すぐに本番で使えるモデルが必要なら、GLM-5.2やQwen3.8-Maxとあわせて比較してください。

参考情報（公式・報道）

• Reflection AI公式ブログ「Introducing Beam」
• Reflection開発者ドキュメント（Models）
• Reflection開発者ドキュメント（OpenAI互換）
• Reflection開発者ドキュメント（Rate limits）
• TechCrunch: Reflection debuts Beam
• The Next Web: Reflection AI Beam open-weight model