AI FRONTIER
Signals worth understanding before they become obvious.
Nouveau modèle OpenRouter : Reflection: Beam 1.0 501B A23B
Beam 1.0 est le modèle de raisonnement à poids ouverts de Reflection destiné au code et aux workflows agentiques de longue durée. Il utilise une architecture sparse mixture-of-experts avec 501B de paramètres totaux et 23B de paramètres actifs par token, et une fenêtre de contexte d'un million de tokens.
- Architecture sparse mixture-of-experts avec 501B de paramètres totaux et 23B de paramètres actifs par token
- Fenêtre de contexte de 1 048 576 tokens, avec prise en charge de jusqu'à 131 072 tokens de complétion
- Publié sous licence Apache 2.0, avec effort de raisonnement configurable, appel de fonctions et sorties structurées
Avec seulement 23B de paramètres actifs par token pour 501B au total, les développeurs peuvent viser une grande capacité à faible coût de calcul par token, mais doivent mesurer si la précision se maintient sur des tâches d'agent de code de ...
DeepSeek-V4.1-Flash-1017 publié : modèle multimodal 763B sous licence MIT
DeepSeek a publié DeepSeek-V4.1-Flash-1017 comme mise à jour mineure de DeepSeek-V4.1-Flash, rapportant des gains en raisonnement, codage, tâches agentiques et benchmarks visuels, tout en réduisant le temps d'exécution des tâches et la longueur des sorties.
- La taille du modèle est de 763B paramètres, avec des types de tenseurs BF16, F32, F8_E4M3 et I8, et un pipeline image-text-to-text.
- Le rapport technique indique que HLE sans outils passe de 36,8 à 42,6, Terminal-Bench 4.0 de 31,2 à 42,3 et DeepSWE v1.1 de 74,2 à 77,0.
- Le rapport indique que Chartography avec outils passe de 78,9 à 83,0 et BabyVision avec outils de 89,6 à 92,5.
- Le dépôt et les poids du modèle sont sous licence MIT, avec un échantillonnage recommandé de temperature 1.0, top_p 1.0, une fenêtre de contexte de 1M tokens et max_tokens d'au moins 256K.
Les développeurs disposent de poids multimodaux de 763B sous MIT avec une fenêtre de contexte de 1M et une boîte à outils d'encodage de prompts Rust/Python, ce qui réduit le coût d'intégration des pipelines agentiques et visuels.
DeepSeek publie V4.1-Flash-1017, obtient 77,0 sur DeepSWE et ouvre une API de recherche
DeepSeek a publié V4.1-Flash-1017, qui obtiendrait 77,0 sur DeepSWE, et a ouvert une API de recherche.
- DeepSeek a publié V4.1-Flash-1017.
- Le modèle obtiendrait 77,0 sur DeepSWE.
- DeepSeek a ouvert une API de recherche.
Les développeurs peuvent associer l'API de recherche de V4.1-Flash-1017 à son score rapporté de 77,0 sur DeepSWE pour des workflows d'agents augmentés par la recherche.