Source: https://ailoot.ai/models/ko/reflection-beam-1-0-501b-a23b/ Canonical: https://ailoot.ai/models/ko/reflection-beam-1-0-501b-a23b/ Language: ko # Reflection: Beam 1.0 501B A23B [Markdown](https://ailoot.ai/models/ko/reflection-beam-1-0-501b-a23b/index.md) · [JSON](https://ailoot.ai/models/ko/reflection-beam-1-0-501b-a23b/facts.json) ## [Reflection: Beam 1.0 501B A23B](https://ailoot.ai/models/ko/reflection-beam-1-0-501b-a23b/) `reflection/beam-1.0-501b-a23b` Reflection텍스트입력 US$0.0005 / 1K출력 US$0.002 / 1K 소프트웨어 공학, 수학적 추론, 단계별 문제 분석을 위한 긴 맥락의 Reflection 텍스트 MoE 모델입니다. ### Reflection의 Beam 1.0 Beam 1.0 501B A23B는 프로그래밍, 추론, 여러 관련 단계로 나뉘는 작업을 위한 Reflection의 텍스트 모델입니다. 희소 MoE 구조는 전체 5,013억 매개변수와 토큰당 약 234억 활성 매개변수를 갖습니다. 주로 영어를 위해 개발되었으므로 소스 코드, 기술 자료, 상세 지시의 언어를 선택할 때 고려하면 좋습니다. 구조는 국소 어텐션과 전역 어텐션을 결합하며, 학습에는 소스 코드, 기술 문서, 과학·교육 자료가 포함됩니다. 별도 단계에서는 구조화된 저장소, 장기간 이어지는 과제, 방대한 문서를 이용해 긴 맥락을 학습했습니다. 강화 학습에서는 프로그래밍, 터미널 작업, STEM 과제를 결합했습니다. ### 모델이 지향하는 작업 Reflection은 소프트웨어 공학, 수학·과학 추론, 순차적 문제 해결을 강조합니다. 프로그램 구성 요소의 관계 설명, 논리 오류 분석, 알고리즘 변경 제안, 가설 검증 계획, 기술 자료 요약 같은 실질적인 텍스트 대화에 활용할 수 있습니다. Beam은 추론 토큰을 효율적으로 사용하는 데도 중점을 둡니다. 학습에서는 불필요한 토큰을 줄이면서 문제를 성공적으로 푸는 것을 보상했습니다. 이는 개발사의 접근 방식에 대한 설명입니다. 실제 요청에서는 짧은 결론, 상세한 증명, 설명이 있는 패치처럼 답변 길이와 형태를 여전히 명시하는 것이 좋습니다. ### Ailoot의 긴 텍스트 맥락 연결의 맥락 창은 1,048,576토큰입니다. 전달 자료, 지시, 기록, 생성되는 답변이 포함됩니다. 모델 메타데이터에는 답변 규모가 최대 131,072토큰으로 표시되어 있습니다. 명세, 구현 발췌, 검증 결과, 관련 질문을 함께 전달할 수 있습니다. 자료에 이름을 붙이고 결론의 근거가 된 부분을 표시하도록 요청하면 큰 분석을 검토하기 편리합니다. 예를 들어 코드 작업에서는 제공 파일의 의존 관계를 먼저 정리하고, 변경 위치를 찾은 뒤 구현을 준비하도록 요청할 수 있습니다. 과학 과제에서는 초기 조건, 기호, 필요한 엄밀성 수준을 지정합니다. 이는 결과를 원자료와 대조할 수 있도록 요청을 구성하는 방식입니다. 연결은 Messages, Responses, Chat Completions, 텍스트 generateContent를 통해 텍스트를 받아 텍스트를 반환합니다. 코드와 권고는 모델의 답변으로 전달되며, 명령 실행과 외부 데이터 작업은 애플리케이션의 기능에 달려 있습니다. ### Ailoot API에서 사용 가능 입력 `text` 출력 `text` 컨텍스트 카탈로그에 명시되지 않음 최대 출력 카탈로그에 명시되지 않음 입력 US$0.0005 */ 1K* 출력 US$0.002 */ 1K* 캐시 읽기 US$0.0001 */ 1K* 입력 `text` 출력 `text` 컨텍스트 카탈로그에 명시되지 않음 최대 출력 카탈로그에 명시되지 않음 입력 US$0.0005 */ 1K* 출력 US$0.002 */ 1K* 캐시 읽기 US$0.0001 */ 1K* 입력 `text` 출력 `text` 컨텍스트 카탈로그에 명시되지 않음 최대 출력 카탈로그에 명시되지 않음 입력 US$0.0005 */ 1K* 출력 US$0.002 */ 1K* 캐시 읽기 US$0.0001 */ 1K* 입력 `text` 출력 `text` 컨텍스트 카탈로그에 명시되지 않음 최대 출력 카탈로그에 명시되지 않음 입력 US$0.0005 */ 1K* 출력 US$0.002 */ 1K* 캐시 읽기 US$0.0001 */ 1K* `reflection/beam-1.0-501b-a23b` · JSON ``` {"about":"### Reflection의 Beam 1.0\n\nBeam 1.0 501B A23B는 프로그래밍, 추론, 여러 관련 단계로 나뉘는 작업을 위한 Reflection의 텍스트 모델입니다. 희소 MoE 구조는 전체 5,013억 매개변수와 토큰당 약 234억 활성 매개변수를 갖습니다. 주로 영어를 위해 개발되었으므로 소스 코드, 기술 자료, 상세 지시의 언어를 선택할 때 고려하면 좋습니다.\n\n구조는 국소 어텐션과 전역 어텐션을 결합하며, 학습에는 소스 코드, 기술 문서, 과학·교육 자료가 포함됩니다. 별도 단계에서는 구조화된 저장소, 장기간 이어지는 과제, 방대한 문서를 이용해 긴 맥락을 학습했습니다. 강화 학습에서는 프로그래밍, 터미널 작업, STEM 과제를 결합했습니다.\n\n### 모델이 지향하는 작업\n\nReflection은 소프트웨어 공학, 수학·과학 추론, 순차적 문제 해결을 강조합니다. 프로그램 구성 요소의 관계 설명, 논리 오류 분석, 알고리즘 변경 제안, 가설 검증 계획, 기술 자료 요약 같은 실질적인 텍스트 대화에 활용할 수 있습니다.\n\nBeam은 추론 토큰을 효율적으로 사용하는 데도 중점을 둡니다. 학습에서는 불필요한 토큰을 줄이면서 문제를 성공적으로 푸는 것을 보상했습니다. 이는 개발사의 접근 방식에 대한 설명입니다. 실제 요청에서는 짧은 결론, 상세한 증명, 설명이 있는 패치처럼 답변 길이와 형태를 여전히 명시하는 것이 좋습니다.\n\n### Ailoot의 긴 텍스트 맥락\n\n연결의 맥락 창은 1,048,576토큰입니다. 전달 자료, 지시, 기록, 생성되는 답변이 포함됩니다. 모델 메타데이터에는 답변 규모가 최대 131,072토큰으로 표시되어 있습니다. 명세, 구현 발췌, 검증 결과, 관련 질문을 함께 전달할 수 있습니다. 자료에 이름을 붙이고 결론의 근거가 된 부분을 표시하도록 요청하면 큰 분석을 검토하기 편리합니다.\n\n예를 들어 코드 작업에서는 제공 파일의 의존 관계를 먼저 정리하고, 변경 위치를 찾은 뒤 구현을 준비하도록 요청할 수 있습니다. 과학 과제에서는 초기 조건, 기호, 필요한 엄밀성 수준을 지정합니다. 이는 결과를 원자료와 대조할 수 있도록 요청을 구성하는 방식입니다.\n\n연결은 Messages, Responses, Chat Completions, 텍스트 generateContent를 통해 텍스트를 받아 텍스트를 반환합니다. 코드와 권고는 모델의 답변으로 전달되며, 명령 실행과 외부 데이터 작업은 애플리케이션의 기능에 달려 있습니다.","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":"소프트웨어 공학, 수학적 추론, 단계별 문제 분석을 위한 긴 맥락의 Reflection 텍스트 MoE 모델입니다."} ``` ## 자주 묻는 질문 작업에 맞는 모델은 어떻게 선택하나요? 먼저 필요한 입력과 출력이 텍스트, 이미지, 오디오, 동영상 중 무엇인지 확인하세요. 그런 다음 호환되는 API 메서드, 정확한 모델 ID 또는 별칭이 현재 가리키는 모델, 가격, 과금 단위를 비교하세요. GET /v1/models 는 무료이며 키로 이용할 수 있는 모델 목록을 제공합니다. 각 모델은 모든 API 메서드와 미디어 유형을 지원하나요? 모델 카드에 명시된 API 메서드와 입출력 유형을 사용하세요. 텍스트, 이미지, 오디오, 동영상 지원 여부는 선택한 모델과 메서드에 따라 달라집니다. 데이터를 보내기 전에 해당 요청 예제를 확인하세요. 모델 ID와 별칭은 어떻게 다른가요? 정확한 모델 ID는 특정 모델을 식별합니다. 별칭은 모델을 가리키며 그 대상은 바뀔 수 있습니다. 카탈로그에서 별칭이 현재 가리키는 모델을 확인하세요. 연동에 특정 모델이 필요하면 정확한 ID를 사용하세요. 요청을 보내기 전에 가격을 어떻게 비교하나요? 모델 카드에서 선택한 API 메서드의 가격과 과금 단위를 확인하세요. 동일한 단위와 입출력 유형을 기준으로 비교하세요. 요청 기록에는 실제 사용량과 청구 금액이 표시됩니다. 구독의 혜택은 무엇인가요? 정기 작업용 토큰 구매 할인입니다. 요청량에 맞는 요금제를 선택하고 가입 화면에서 조건·가격을 확인하세요. 최대 50% 코드는 어떻게 적용하나요? 토큰 구매 때 입력하면 행사 조건에 따라 다시 계산하며 결제 전에 할인율이 보입니다. ## Ailoot · 회사와 그 프로젝트 포트폴리오 Ailoot는 축적된 운영 경험, 폭넓은 고객 기반, 안정적인 서비스, 지속적인 KPI 관리를 바탕으로 합니다. 회사와 그 프로젝트 포트폴리오: 수백만 고객, 매월 수십억 규모의 매출. Ailoot는 이러한 운영 경험을 고객의 제품, 에이전트, 애플리케이션, 자동화에서 AI 기능을 이용할 수 있는 API 접근에 활용합니다.