Source: https://ailoot.ai/models/pt-pt/reflection-beam-1-0-501b-a23b/ Canonical: https://ailoot.ai/models/pt-pt/reflection-beam-1-0-501b-a23b/ Language: pt-pt # Reflection: Beam 1.0 501B A23B [Markdown](https://ailoot.ai/models/pt-pt/reflection-beam-1-0-501b-a23b/index.md) · [JSON](https://ailoot.ai/models/pt-pt/reflection-beam-1-0-501b-a23b/facts.json) ## [Reflection: Beam 1.0 501B A23B](https://ailoot.ai/models/pt-pt/reflection-beam-1-0-501b-a23b/) `reflection/beam-1.0-501b-a23b` ReflectionTextoEntrada 0,0005 US$ / 1KSaída 0,002 US$ / 1K Modelo textual MoE da Reflection com contexto amplo para engenharia de software, raciocínio matemático e análise sucessiva de tarefas. ### Beam 1.0 da Reflection O Beam 1.0 501B A23B é um modelo textual da Reflection para programação, raciocínio e tarefas divididas em vários passos relacionados. A sua arquitetura MoE esparsa tem 501,3 mil milhões de parâmetros no total e cerca de 23,4 mil milhões ativos por token. O modelo foi desenvolvido sobretudo para inglês; convém ter isso em conta ao escolher o idioma do código-fonte, dos materiais técnicos e das instruções detalhadas. A arquitetura combina atenção local e global e a preparação do modelo inclui trabalho com código-fonte, documentação técnica e materiais científicos e didáticos. Uma etapa específica do treino desenvolveu o contexto longo com repositórios estruturados, tarefas prolongadas e documentos extensos. Durante a aprendizagem por reforço, o fabricante combinou tarefas de programação, trabalho no terminal e STEM. ### A que tarefas se orienta A Reflection destaca a engenharia de software, o raciocínio matemático e científico e a resolução sucessiva de tarefas. Estas áreas podem servir para um diálogo textual com conteúdo: explicar relações entre componentes de um programa, analisar um erro lógico, propor uma alteração a um algoritmo, elaborar um plano de verificação de uma hipótese ou obter um resumo de material técnico. O Beam dá particular atenção ao uso económico de tokens de raciocínio. No treino, foi recompensada a resolução bem-sucedida com redução de tokens desnecessários. Isto descreve a abordagem do fabricante; ainda assim, convém definir explicitamente a extensão da resposta no pedido, por exemplo, uma conclusão breve, uma demonstração detalhada ou um patch com explicação. ### Contexto textual amplo na Ailoot A janela de contexto da ligação é de 1 048 576 tokens. Inclui os materiais fornecidos, as instruções, o histórico e a resposta gerada. Os metadados do modelo indicam um volume de resposta até 131 072 tokens. Este volume permite fornecer vários textos relacionados: uma especificação, excertos de implementação, resultados de verificações e perguntas sobre eles. Dê nomes aos materiais e peça que cada conclusão indique o excerto em que assenta, facilitando a verificação de análises extensas. Por exemplo, numa tarefa de código, pode pedir primeiro um mapa de dependências dos ficheiros fornecidos, depois identificar o local da alteração e só então preparar a implementação. Numa tarefa científica, defina as condições iniciais, a notação e o nível de rigor exigido. São formas de organizar o pedido que permitem comparar o resultado útil com os materiais de partida. A ligação recebe texto e devolve texto através de Messages, Responses, Chat Completions e generateContent textual. O código e as recomendações chegam como resposta do modelo; a execução de comandos e o trabalho com dados externos são determinados pelas capacidades da sua aplicação. ### Disponível através da API Ailoot Entrada `text` Saída `text` Contexto Não especificado no catálogo Resposta máx. Não especificado no catálogo Entrada 0,0005 US$ */ 1K* Saída 0,002 US$ */ 1K* Leitura da cache 0,0001 US$ */ 1K* Entrada `text` Saída `text` Contexto Não especificado no catálogo Resposta máx. Não especificado no catálogo Entrada 0,0005 US$ */ 1K* Saída 0,002 US$ */ 1K* Leitura da cache 0,0001 US$ */ 1K* Entrada `text` Saída `text` Contexto Não especificado no catálogo Resposta máx. Não especificado no catálogo Entrada 0,0005 US$ */ 1K* Saída 0,002 US$ */ 1K* Leitura da cache 0,0001 US$ */ 1K* Entrada `text` Saída `text` Contexto Não especificado no catálogo Resposta máx. Não especificado no catálogo Entrada 0,0005 US$ */ 1K* Saída 0,002 US$ */ 1K* Leitura da cache 0,0001 US$ */ 1K* `reflection/beam-1.0-501b-a23b` · JSON ``` {"about":"### Beam 1.0 da Reflection\n\nO Beam 1.0 501B A23B é um modelo textual da Reflection para programação, raciocínio e tarefas divididas em vários passos relacionados. A sua arquitetura MoE esparsa tem 501,3 mil milhões de parâmetros no total e cerca de 23,4 mil milhões ativos por token. O modelo foi desenvolvido sobretudo para inglês; convém ter isso em conta ao escolher o idioma do código-fonte, dos materiais técnicos e das instruções detalhadas.\n\nA arquitetura combina atenção local e global e a preparação do modelo inclui trabalho com código-fonte, documentação técnica e materiais científicos e didáticos. Uma etapa específica do treino desenvolveu o contexto longo com repositórios estruturados, tarefas prolongadas e documentos extensos. Durante a aprendizagem por reforço, o fabricante combinou tarefas de programação, trabalho no terminal e STEM.\n\n### A que tarefas se orienta\n\nA Reflection destaca a engenharia de software, o raciocínio matemático e científico e a resolução sucessiva de tarefas. Estas áreas podem servir para um diálogo textual com conteúdo: explicar relações entre componentes de um programa, analisar um erro lógico, propor uma alteração a um algoritmo, elaborar um plano de verificação de uma hipótese ou obter um resumo de material técnico.\n\nO Beam dá particular atenção ao uso económico de tokens de raciocínio. No treino, foi recompensada a resolução bem-sucedida com redução de tokens desnecessários. Isto descreve a abordagem do fabricante; ainda assim, convém definir explicitamente a extensão da resposta no pedido, por exemplo, uma conclusão breve, uma demonstração detalhada ou um patch com explicação.\n\n### Contexto textual amplo na Ailoot\n\nA janela de contexto da ligação é de 1 048 576 tokens. Inclui os materiais fornecidos, as instruções, o histórico e a resposta gerada. Os metadados do modelo indicam um volume de resposta até 131 072 tokens. Este volume permite fornecer vários textos relacionados: uma especificação, excertos de implementação, resultados de verificações e perguntas sobre eles. Dê nomes aos materiais e peça que cada conclusão indique o excerto em que assenta, facilitando a verificação de análises extensas.\n\nPor exemplo, numa tarefa de código, pode pedir primeiro um mapa de dependências dos ficheiros fornecidos, depois identificar o local da alteração e só então preparar a implementação. Numa tarefa científica, defina as condições iniciais, a notação e o nível de rigor exigido. São formas de organizar o pedido que permitem comparar o resultado útil com os materiais de partida.\n\nA ligação recebe texto e devolve texto através de Messages, Responses, Chat Completions e generateContent textual. O código e as recomendações chegam como resposta do modelo; a execução de comandos e o trabalho com dados externos são determinados pelas capacidades da sua aplicação.","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":"Modelo textual MoE da Reflection com contexto amplo para engenharia de software, raciocínio matemático e análise sucessiva de tarefas."} ``` ## Perguntas Como escolher um modelo para a minha tarefa? Identifique primeiro a entrada e a saída necessárias: texto, imagem, áudio ou vídeo. Compare depois os métodos API compatíveis, o ID exato do modelo ou o destino atual do alias, o preço e a unidade de faturação. GET /v1/models é gratuito e lista os modelos disponíveis para a sua chave. Cada modelo suporta todos os métodos API e tipos de conteúdo? Use os métodos API e os tipos de entrada e saída indicados na ficha do modelo. O suporte de texto, imagens, áudio ou vídeo depende do modelo e do método escolhidos; consulte o respetivo exemplo de pedido antes de enviar os seus dados. Qual é a diferença entre o ID de um modelo e um alias? Um ID exato identifica um modelo específico. Um alias aponta para um modelo e o seu destino pode mudar. Confirme o destino atual do alias no catálogo; use o ID exato quando a integração precisar de um modelo específico. Como comparar os preços antes de enviar um pedido? Consulte na ficha do modelo o preço e a unidade de faturação do método API escolhido. Compare a mesma unidade e os mesmos tipos de entrada e saída; o histórico de pedidos mostra a utilização real e o montante debitado. O que oferece a subscrição? Um desconto na compra de tokens para trabalho regular. Escolha o plano conforme o volume de pedidos; as condições e o preço da subscrição aparecem na adesão. Como aplico um código promocional com até 50% de desconto? Introduza o código promocional ao comprar tokens. O total é recalculado segundo as condições da campanha; o desconto é visível antes do pagamento. ## Ailoot · A empresa e a sua carteira de projetos A Ailoot assenta numa experiência operacional consolidada, numa ampla base de clientes, num serviço estável e no acompanhamento contínuo dos KPI. A empresa e a sua carteira de projetos: milhões de clientes; vendas mensais na ordem dos milhares de milhões. A Ailoot aplica essa experiência operacional ao acesso por API a funcionalidades de IA nos produtos dos clientes, agentes, aplicações e automatizações.