Reflection AI, la startup sostenuta da Nvidia, ha presentato lunedì 5 ottobre 2026 il suo primo modello a pesi aperti: Reflection AI Beam. L'obiettivo è competere con i modelli open cinesi come DeepSeek e Kimi nelle attività di programmazione e nei compiti che richiedono agenti autonomi. Il lancio arriva mentre negli Stati Uniti cresce la pressione per offrire un'alternativa credibile ai modelli cinesi, spesso più economici e personalizzabili.
Cosa rende Beam diverso: 501 miliardi di parametri, ma solo 23 attivi
Un modello open-weight mette a disposizione i pesi, cioè i valori numerici interni, così chiunque può scaricarli, modificarli e far girare il sistema sui propri server, senza passare da un'API chiusa. Beam contiene 501 miliardi di parametri totali, i valori numerici che il modello regola durante l'addestramento e che ne guidano le risposte. Per ogni compito ne attiva però solo 23 miliardi: una scelta tecnica che rende il sistema più veloce ed economico da eseguire, perché viene usata solo una parte della rete per ogni richiesta.
Il numero di parametri totali è solo una parte della storia: ciò che conta per i costi di calcolo è quanti parametri vengono attivati per ogni richiesta. Con 23 miliardi di parametri attivi, Beam promette di essere più leggero da gestire rispetto a modelli che ne attivano di più, pur mantenendo una base ampia da 501 miliardi.
Per fare un confronto, il modello cinese GLM-5.2 di Z.ai ha circa 744 miliardi di parametri totali e 40 miliardi di parametri attivi. Secondo Reflection, Beam è già competitivo con GLM-5.2 e nel campo della programmazione e delle attività con agenti sta raggiungendo i livelli di Qwen3.8-Max. La società non ha ancora pubblicato benchmark indipendenti, quindi i confronti dichiarati vanno presi con cautela.
La crescente diffusione di modelli open-weight cinesi come DeepSeek e Kimi si spiega con la loro capacità di generare codice di livello quasi equivalente a quello dei modelli più avanzati di OpenAI e Anthropic, offrendo al contempo costi più contenuti e margini di personalizzazione. Reflection mira a conquistare proprio questo tipo di mercato.
Perché un modello open-weight americano è importante
Oggi i modelli a pesi aperti più usati sono cinesi: DeepSeek e Qwen dominano le classifiche open-weight, mentre OpenAI, Anthropic e Google tengono chiusi i loro modelli migliori dietro API a pagamento. Per un'azienda o un ente pubblico che vuole scaricare un modello, modificarlo ed eseguirlo sui propri server, le opzioni occidentali sono poche.
La questione non è solo tecnica. Secondo Startup Fortune, il Pentagono e altri acquirenti occidentali guardano con cautela ai modelli cinesi per i lavori sensibili, per la provenienza dei pesi e per chi controlla gli aggiornamenti futuri. Reflection avrebbe già avviato colloqui a Washington prima del lancio.
Reflection è stata fondata nel 2024 da Misha Laskin e Ioannis Antonoglou, due ex ricercatori di DeepMind. L'azienda sviluppa strumenti per automatizzare lo sviluppo software, un ambito in rapida crescita.
La scommessa di Nvidia non è casuale: secondo Startup Fortune, Nvidia ha guidato un round da 800 milioni di dollari su un totale di 2 miliardi nell'ottobre 2025, valutando Reflection 8 miliardi. Ad aprile 2026 la valutazione pre-money sarebbe salita a 25 miliardi. La startup ha inoltre firmato accordi per la potenza di calcolo con Nebius, per oltre 1 miliardo di dollari fino al 2029, e con SpaceX per il data center Colossus 2.
Cosa cambia per chi sviluppa software o gestisce un'azienda?
Per chi oggi deve scegliere un modello open-weight, nulla cambia nell'immediato: i modelli cinesi DeepSeek e Qwen restano le opzioni più forti già disponibili, e Beam non ha ancora benchmark indipendenti diffusi. La differenza è il segnale: nei prossimi mesi potrebbe arrivare una seria alternativa americana da scaricare e adattare, senza dover giustificare l'uso di modelli cinesi in contesti regolati o sensibili. Prima di Beam, l'unico prodotto pubblico di Reflection era Asimov, un agente nato per aiutare gli sviluppatori a orientarsi in grandi archivi di codice.