Source: https://ailoot.ai/models/it/reflection-beam-1-0-501b-a23b/ Canonical: https://ailoot.ai/models/it/reflection-beam-1-0-501b-a23b/ Language: it # Reflection: Beam 1.0 501B A23B [Markdown](https://ailoot.ai/models/it/reflection-beam-1-0-501b-a23b/index.md) · [JSON](https://ailoot.ai/models/it/reflection-beam-1-0-501b-a23b/facts.json) ## [Reflection: Beam 1.0 501B A23B](https://ailoot.ai/models/it/reflection-beam-1-0-501b-a23b/) `reflection/beam-1.0-501b-a23b` ReflectionTestoInput 0,0005 USD / 1KOutput 0,002 USD / 1K Modello testuale MoE di Reflection con contesto ampio per ingegneria del software, ragionamento matematico e analisi progressiva dei problemi. ### Beam 1.0 di Reflection Beam 1.0 501B A23B è un modello testuale Reflection per programmazione, ragionamento e attività divise in più passaggi collegati. La sua architettura MoE sparsa comprende 501,3 miliardi di parametri totali e circa 23,4 miliardi attivi per token. Il modello è sviluppato prevalentemente per l’inglese; è utile considerarlo nella scelta della lingua per codice sorgente, materiali tecnici e istruzioni dettagliate. L’architettura combina attenzione locale e globale, e la preparazione comprende lavoro con codice sorgente, documentazione tecnica e materiali scientifici e didattici. Una fase distinta di addestramento ha sviluppato il contesto lungo su repository strutturati, attività estese e documenti voluminosi. Nell’apprendimento con rinforzo lo sviluppatore ha combinato compiti di programmazione, lavoro nel terminale e STEM. ### A quali attività è orientato Reflection evidenzia ingegneria del software, ragionamento matematico e scientifico e soluzione progressiva dei problemi. Questi ambiti possono essere usati per un dialogo testuale sostanziale: spiegare relazioni tra componenti di un programma, analizzare un errore logico, proporre una modifica a un algoritmo, preparare un piano di verifica di un’ipotesi o ottenere una sintesi di materiale tecnico. Beam pone inoltre l’accento sull’uso parsimonioso dei token di ragionamento. L’addestramento premiava soluzioni riuscite con meno token superflui. Questo descrive l’approccio dello sviluppatore; la lunghezza di una specifica risposta va comunque indicata esplicitamente nella richiesta, per esempio conclusione breve, dimostrazione dettagliata o patch con spiegazione. ### Contesto testuale ampio in Ailoot La finestra di contesto del collegamento è di 1 048 576 token. Comprende materiali forniti, istruzioni, cronologia e risposta in preparazione. I metadati del modello indicano un volume di risposta fino a 131 072 token. Questo volume permette di inviare più testi collegati: specifica, frammenti di implementazione, risultati dei controlli e domande relative. Dare un nome ai materiali e chiedere di indicare il frammento su cui si fonda la conclusione facilita la verifica di analisi ampie. Per esempio, per un compito di codice si può chiedere prima una mappa delle dipendenze dei file forniti, poi individuare il punto di modifica e solo dopo preparare l’implementazione. Per un’attività scientifica, definire condizioni iniziali, simboli e rigore richiesto. Sono modi di organizzare la richiesta in cui il risultato utile può essere confrontato con i materiali originali. Il collegamento accetta e restituisce testo tramite Messages, Responses, Chat Completions e generateContent testuale. Codice e raccomandazioni arrivano come risposta del modello; esecuzione dei comandi e lavoro con dati esterni dipendono dalle capacità dell’applicazione. ### Disponibile tramite Ailoot API Tipi di input `text` Tipi di output `text` Contesto Non specificato nel catalogo Risposta massima Non specificato nel catalogo Input 0,0005 USD */ 1K* Output 0,002 USD */ 1K* Lettura dalla cache 0,0001 USD */ 1K* Tipi di input `text` Tipi di output `text` Contesto Non specificato nel catalogo Risposta massima Non specificato nel catalogo Input 0,0005 USD */ 1K* Output 0,002 USD */ 1K* Lettura dalla cache 0,0001 USD */ 1K* Tipi di input `text` Tipi di output `text` Contesto Non specificato nel catalogo Risposta massima Non specificato nel catalogo Input 0,0005 USD */ 1K* Output 0,002 USD */ 1K* Lettura dalla cache 0,0001 USD */ 1K* Tipi di input `text` Tipi di output `text` Contesto Non specificato nel catalogo Risposta massima Non specificato nel catalogo Input 0,0005 USD */ 1K* Output 0,002 USD */ 1K* Lettura dalla cache 0,0001 USD */ 1K* `reflection/beam-1.0-501b-a23b` · JSON ``` {"about":"### Beam 1.0 di Reflection\n\nBeam 1.0 501B A23B è un modello testuale Reflection per programmazione, ragionamento e attività divise in più passaggi collegati. La sua architettura MoE sparsa comprende 501,3 miliardi di parametri totali e circa 23,4 miliardi attivi per token. Il modello è sviluppato prevalentemente per l’inglese; è utile considerarlo nella scelta della lingua per codice sorgente, materiali tecnici e istruzioni dettagliate.\n\nL’architettura combina attenzione locale e globale, e la preparazione comprende lavoro con codice sorgente, documentazione tecnica e materiali scientifici e didattici. Una fase distinta di addestramento ha sviluppato il contesto lungo su repository strutturati, attività estese e documenti voluminosi. Nell’apprendimento con rinforzo lo sviluppatore ha combinato compiti di programmazione, lavoro nel terminale e STEM.\n\n### A quali attività è orientato\n\nReflection evidenzia ingegneria del software, ragionamento matematico e scientifico e soluzione progressiva dei problemi. Questi ambiti possono essere usati per un dialogo testuale sostanziale: spiegare relazioni tra componenti di un programma, analizzare un errore logico, proporre una modifica a un algoritmo, preparare un piano di verifica di un’ipotesi o ottenere una sintesi di materiale tecnico.\n\nBeam pone inoltre l’accento sull’uso parsimonioso dei token di ragionamento. L’addestramento premiava soluzioni riuscite con meno token superflui. Questo descrive l’approccio dello sviluppatore; la lunghezza di una specifica risposta va comunque indicata esplicitamente nella richiesta, per esempio conclusione breve, dimostrazione dettagliata o patch con spiegazione.\n\n### Contesto testuale ampio in Ailoot\n\nLa finestra di contesto del collegamento è di 1 048 576 token. Comprende materiali forniti, istruzioni, cronologia e risposta in preparazione. I metadati del modello indicano un volume di risposta fino a 131 072 token. Questo volume permette di inviare più testi collegati: specifica, frammenti di implementazione, risultati dei controlli e domande relative. Dare un nome ai materiali e chiedere di indicare il frammento su cui si fonda la conclusione facilita la verifica di analisi ampie.\n\nPer esempio, per un compito di codice si può chiedere prima una mappa delle dipendenze dei file forniti, poi individuare il punto di modifica e solo dopo preparare l’implementazione. Per un’attività scientifica, definire condizioni iniziali, simboli e rigore richiesto. Sono modi di organizzare la richiesta in cui il risultato utile può essere confrontato con i materiali originali.\n\nIl collegamento accetta e restituisce testo tramite Messages, Responses, Chat Completions e generateContent testuale. Codice e raccomandazioni arrivano come risposta del modello; esecuzione dei comandi e lavoro con dati esterni dipendono dalle capacità dell’applicazione.","alias_of":null,"aliases":[],"author":"Reflection","canonical_model":"reflection/beam-1.0-501b-a23b","ctx":null,"formats":["chat","gemini","messages","responses"],"id":"reflection/beam-1.0-501b-a23b","input":["text"],"kind":"text","max_out":null,"methods":[{"cache_read":0.1,"cache_write":null,"cache_write_1h":null,"cache_write_5m":null,"conditional_meter":null,"ctx":null,"family":"anthropic","fast_multiplier":1,"flex_multiplier":1,"fmt":"messages","http":"POST","img_in":null,"img_out":null,"in":0.5,"input":["text"],"label":"Anthropic Messages","max_out":null,"max_tool_calls":null,"out":2.0,"output":["text"],"path":"/v1/messages","request_model_id":"reflection/beam-1.0-501b-a23b","route_label":"Ultra","status_reads":[],"tiers":[],"tool_prices":null,"unit":"token","units":[]},{"cache_read":0.1,"cache_write":null,"cache_write_1h":null,"cache_write_5m":null,"conditional_meter":null,"ctx":null,"family":"openai","fast_multiplier":1,"flex_multiplier":1,"fmt":"responses","http":"POST","img_in":null,"img_out":null,"in":0.5,"input":["text"],"label":"OpenAI Responses","max_out":null,"max_tool_calls":null,"out":2.0,"output":["text"],"path":"/v1/responses","request_model_id":"reflection/beam-1.0-501b-a23b","route_label":"Ultra","status_reads":[],"tiers":[],"tool_prices":null,"unit":"token","units":[]},{"cache_read":0.1,"cache_write":null,"cache_write_1h":null,"cache_write_5m":null,"conditional_meter":null,"ctx":null,"family":"openai","fast_multiplier":1,"flex_multiplier":1,"fmt":"chat","http":"POST","img_in":null,"img_out":null,"in":0.5,"input":["text"],"label":"OpenAI Chat","max_out":null,"max_tool_calls":null,"out":2.0,"output":["text"],"path":"/v1/chat/completions","request_model_id":"reflection/beam-1.0-501b-a23b","route_label":"Ultra","status_reads":[],"tiers":[],"tool_prices":null,"unit":"token","units":[]},{"cache_read":0.1,"cache_write":null,"cache_write_1h":null,"cache_write_5m":null,"conditional_meter":null,"ctx":null,"family":"gemini","fast_multiplier":1,"flex_multiplier":1,"fmt":"gemini","http":"POST","img_in":null,"img_out":null,"in":0.5,"input":["text"],"label":"Gemini generateContent","max_out":null,"max_tool_calls":null,"out":2.0,"output":["text"],"path":"/v1beta/models/reflection/beam-1.0-501b-a23b:generateContent","request_model_id":"reflection/beam-1.0-501b-a23b","route_label":"Ultra","status_reads":[],"tiers":[],"tool_prices":null,"unit":"token","units":[]}],"model_aliases":[{"canonical_model_id":"reflection/beam-1.0-501b-a23b","request_model_id":"reflection/beam-1.0-501b-a23b","route_label":"Ultra"}],"name":"Reflection: Beam 1.0 501B A23B","price":{"in":0.5,"in_label":null,"out":2.0,"out_label":null,"sort_in":0.5,"sort_out":2.0,"varies":false},"public_id":"reflection/beam-1.0-501b-a23b","short":"Modello testuale MoE di Reflection con contesto ampio per ingegneria del software, ragionamento matematico e analisi progressiva dei problemi."} ``` ## Domande Come scelgo un modello per la mia attività? Individua prima l'input e l'output necessari: testo, immagini, audio o video. Poi confronta i metodi API compatibili, l'ID esatto del modello o il modello a cui punta attualmente l'alias, il prezzo e l'unità di fatturazione. GET /v1/models è gratuito ed elenca i modelli disponibili per la tua chiave. Ogni modello supporta tutti i metodi API e i tipi di contenuto? Usa i metodi API e i tipi di input/output elencati nella scheda del modello. Il supporto per testo, immagini, audio o video dipende dal modello e dal metodo selezionati; controlla il relativo esempio di richiesta prima di inviare i tuoi dati. Qual è la differenza tra un ID modello e un alias? Un ID modello esatto identifica un modello specifico. Un alias punta a un modello e il modello di destinazione può cambiare. Controlla nel catalogo a quale modello punta attualmente l'alias; usa l'ID esatto quando la tua integrazione richiede un modello specifico. Come confronto i prezzi prima di inviare una richiesta? Consulta la scheda del modello per conoscere il prezzo e l'unità di fatturazione del metodo API selezionato. Confronta la stessa unità e lo stesso tipo di input/output; la cronologia delle richieste mostra l'utilizzo effettivo e l'importo addebitato. Cosa offre l’abbonamento? Sconto sull’acquisto di token per lavoro regolare. Scegli piano per volume; condizioni e prezzo sono mostrati alla sottoscrizione. Come applico un codice fino al 50%? Inseriscilo acquistando token. Il totale segue la promozione e lo sconto è visibile prima del pagamento. ## Ailoot · L’azienda e il suo portafoglio di progetti Ailoot si basa su un’esperienza operativa consolidata, un’ampia base di clienti, un servizio stabile e un controllo costante dei KPI. L’azienda e il suo portafoglio di progetti: milioni di clienti; vendite nell’ordine dei miliardi ogni mese. Ailoot mette questa esperienza operativa al servizio dell’accesso API alle funzioni AI nei prodotti dei clienti, negli agenti, nelle applicazioni e nelle automazioni.