Source: https://ailoot.ai/models/nb/reflection-beam-1-0-501b-a23b/ Canonical: https://ailoot.ai/models/nb/reflection-beam-1-0-501b-a23b/ Language: nb # Reflection: Beam 1.0 501B A23B [Markdown](https://ailoot.ai/models/nb/reflection-beam-1-0-501b-a23b/index.md) · [JSON](https://ailoot.ai/models/nb/reflection-beam-1-0-501b-a23b/facts.json) ## [Reflection: Beam 1.0 501B A23B](https://ailoot.ai/models/nb/reflection-beam-1-0-501b-a23b/) `reflection/beam-1.0-501b-a23b` ReflectionTekstInndata 0,0005 USD / 1KUtdata 0,002 USD / 1K Tekstbasert MoE-modell fra Reflection med lang kontekst for programvareutvikling, matematisk resonnering og trinnvis oppgaveanalyse. ### Beam 1.0 fra Reflection Beam 1.0 501B A23B er en tekstmodell fra Reflection for programmering, resonnering og oppgaver delt inn i flere sammenhengende trinn. Den sparsomme MoE-arkitekturen har totalt 501,3 milliarder parametere og rundt 23,4 milliarder aktive parametere per token. Modellen er hovedsakelig utviklet for engelsk. Dette er nyttig å ta hensyn til ved valg av språk for kildekode, teknisk materiale og detaljerte instruksjoner. Arkitekturen kombinerer lokal og global oppmerksomhet, og treningen omfatter kildekode, teknisk dokumentasjon, vitenskapelig materiale og lærestoff. Et eget treningstrinn utviklet lang kontekst ved hjelp av strukturerte kodearkiver, langvarige oppgaver og omfattende dokumenter. Under forsterkningslæringen kombinerte utvikleren programmering, terminalarbeid og STEM-oppgaver. ### Hvilke oppgaver modellen er rettet mot Reflection fremhever programvareutvikling, matematisk og vitenskapelig resonnering og trinnvis problemløsing. Dette kan brukes i en innholdsrik tekstdialog: forklare sammenhenger mellom programkomponenter, analysere en logisk feil, foreslå en algoritmeendring, lage en plan for hypotesetesting eller oppsummere teknisk materiale. Beam legger særlig vekt på effektiv bruk av resonneringstokener. Under treningen ble vellykkede løsninger med færre overflødige tokener belønnet. Dette beskriver utviklerens tilnærming; lengden på det konkrete svaret bør likevel angis uttrykkelig, for eksempel en kort konklusjon, et detaljert bevis eller en patch med forklaring. ### Stor tekstkontekst i Ailoot Tilkoblingens kontekstvindu er på 1 048 576 tokener. Det omfatter innsendt materiale, instruksjoner, historikk og svaret som genereres. Modellmetadataene oppgir en svarlengde på opptil 131 072 tokener. Dette gjør det mulig å sende inn flere sammenhengende tekster: en spesifikasjon, implementeringsutdrag, kontrollresultater og spørsmål til dem. Gi materialet navn og be om at konklusjonene angir hvilket utdrag de bygger på. Det gjør store analyser enklere å kontrollere. For en kodeoppgave kan du for eksempel først be om et avhengighetskart for de innsendte filene, deretter peke ut endringsstedet og først så utarbeide implementeringen. For en vitenskapelig oppgave angir du forutsetninger, notasjon og ønsket presisjonsnivå. Dette er måter å organisere forespørselen på slik at resultatet kan sammenholdes med kildematerialet. Tilkoblingen tar imot tekst og returnerer tekst gjennom Messages, Responses, Chat Completions og tekstbasert generateContent. Kode og anbefalinger leveres som modellsvar; kjøring av kommandoer og arbeid med eksterne data bestemmes av mulighetene i applikasjonen din. ### Tilgjengelig via Ailoot API Inndatatyper `text` Utdatatyper `text` Kontekst Ikke angitt i katalogen Maks. svar Ikke angitt i katalogen Inndata 0,0005 USD */ 1K* Utdata 0,002 USD */ 1K* Lesing fra hurtigbuffer 0,0001 USD */ 1K* Inndatatyper `text` Utdatatyper `text` Kontekst Ikke angitt i katalogen Maks. svar Ikke angitt i katalogen Inndata 0,0005 USD */ 1K* Utdata 0,002 USD */ 1K* Lesing fra hurtigbuffer 0,0001 USD */ 1K* Inndatatyper `text` Utdatatyper `text` Kontekst Ikke angitt i katalogen Maks. svar Ikke angitt i katalogen Inndata 0,0005 USD */ 1K* Utdata 0,002 USD */ 1K* Lesing fra hurtigbuffer 0,0001 USD */ 1K* Inndatatyper `text` Utdatatyper `text` Kontekst Ikke angitt i katalogen Maks. svar Ikke angitt i katalogen Inndata 0,0005 USD */ 1K* Utdata 0,002 USD */ 1K* Lesing fra hurtigbuffer 0,0001 USD */ 1K* `reflection/beam-1.0-501b-a23b` · JSON ``` {"about":"### Beam 1.0 fra Reflection\n\nBeam 1.0 501B A23B er en tekstmodell fra Reflection for programmering, resonnering og oppgaver delt inn i flere sammenhengende trinn. Den sparsomme MoE-arkitekturen har totalt 501,3 milliarder parametere og rundt 23,4 milliarder aktive parametere per token. Modellen er hovedsakelig utviklet for engelsk. Dette er nyttig å ta hensyn til ved valg av språk for kildekode, teknisk materiale og detaljerte instruksjoner.\n\nArkitekturen kombinerer lokal og global oppmerksomhet, og treningen omfatter kildekode, teknisk dokumentasjon, vitenskapelig materiale og lærestoff. Et eget treningstrinn utviklet lang kontekst ved hjelp av strukturerte kodearkiver, langvarige oppgaver og omfattende dokumenter. Under forsterkningslæringen kombinerte utvikleren programmering, terminalarbeid og STEM-oppgaver.\n\n### Hvilke oppgaver modellen er rettet mot\n\nReflection fremhever programvareutvikling, matematisk og vitenskapelig resonnering og trinnvis problemløsing. Dette kan brukes i en innholdsrik tekstdialog: forklare sammenhenger mellom programkomponenter, analysere en logisk feil, foreslå en algoritmeendring, lage en plan for hypotesetesting eller oppsummere teknisk materiale.\n\nBeam legger særlig vekt på effektiv bruk av resonneringstokener. Under treningen ble vellykkede løsninger med færre overflødige tokener belønnet. Dette beskriver utviklerens tilnærming; lengden på det konkrete svaret bør likevel angis uttrykkelig, for eksempel en kort konklusjon, et detaljert bevis eller en patch med forklaring.\n\n### Stor tekstkontekst i Ailoot\n\nTilkoblingens kontekstvindu er på 1 048 576 tokener. Det omfatter innsendt materiale, instruksjoner, historikk og svaret som genereres. Modellmetadataene oppgir en svarlengde på opptil 131 072 tokener. Dette gjør det mulig å sende inn flere sammenhengende tekster: en spesifikasjon, implementeringsutdrag, kontrollresultater og spørsmål til dem. Gi materialet navn og be om at konklusjonene angir hvilket utdrag de bygger på. Det gjør store analyser enklere å kontrollere.\n\nFor en kodeoppgave kan du for eksempel først be om et avhengighetskart for de innsendte filene, deretter peke ut endringsstedet og først så utarbeide implementeringen. For en vitenskapelig oppgave angir du forutsetninger, notasjon og ønsket presisjonsnivå. Dette er måter å organisere forespørselen på slik at resultatet kan sammenholdes med kildematerialet.\n\nTilkoblingen tar imot tekst og returnerer tekst gjennom Messages, Responses, Chat Completions og tekstbasert generateContent. Kode og anbefalinger leveres som modellsvar; kjøring av kommandoer og arbeid med eksterne data bestemmes av mulighetene i applikasjonen din.","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":"Tekstbasert MoE-modell fra Reflection med lang kontekst for programvareutvikling, matematisk resonnering og trinnvis oppgaveanalyse."} ``` ## Spørsmål Hvordan velger jeg en modell til oppgaven min? Avklar først hvilke inndata og utdata du trenger: tekst, bilder, lyd eller video. Sammenlign deretter kompatible API-metoder, den eksakte modell-ID-en eller modellen aliaset peker til nå, pris og faktureringsenhet. GET /v1/models er gratis og viser modellene som er tilgjengelige for nøkkelen din. Støtter hver modell alle API-metoder og medietyper? Bruk API-metodene og typene inndata/utdata som er oppført på modellkortet. Støtte for tekst, bilder, lyd eller video avhenger av den valgte modellen og metoden; se det aktuelle eksemplet på en forespørsel før du sender dataene dine. Hva er forskjellen på en modell-ID og et alias? En eksakt modell-ID identifiserer en bestemt modell. Et alias peker til en modell, og målmodellen kan endres. Sjekk i katalogen hvilken modell aliaset peker til nå; bruk den eksakte ID-en når integrasjonen din krever en bestemt modell. Hvordan sammenligner jeg priser før jeg sender en forespørsel? Se modellkortet for pris og faktureringsenhet for den valgte API-metoden. Sammenlign samme enhet og samme type inndata/utdata; forespørselshistorikken viser faktisk bruk og belastet beløp. Hva gir abonnementet? Rabatt på tokenkjøp for jevnlig bruk. Velg etter forespørselsvolum; vilkår og abonnementspris vises ved bestilling. Hvordan bruker jeg kampanjekode opptil 50% rabatt? Oppgi koden ved tokenkjøp. Beløpet beregnes etter kampanjevilkårene; rabattstørrelsen vises før betaling. ## Ailoot · Selskapet og dets prosjektportefølje Ailoot bygger på etablert driftserfaring, en stor kundebase, stabil tjeneste og løpende KPI-kontroll. Selskapet og dets prosjektportefølje: millioner av kunder; månedlig salg for milliarder. Ailoot bruker denne driftserfaringen til API-tilgang til AI-funksjoner i kundenes produkter, agenter, applikasjoner og automatiseringer.