Reflection Beam 오픈 웨이트, 라이선스·GPU·영어 중심 한계 점검

Reflection은 2026년 10월 16일 자사의 첫 오픈 웨이트 모델(회사 서버에 내려받아 직접 실행할 수 있는 모델) Beam의 가중치를 Hugging Face에 Apache 2.0 라이선스로 공개했습니다. 학교나 연구실, 사내 팀이 들이려면 라이선스와 함께 GPU 대수와 언어 범위를 따져야 합니다. Reflection 블로그와 Hugging Face 블로그·모델 카드에 적힌 범위에서 정리했습니다. 모델을 직접 내려받거나 실행해 보지는 않았습니다.

1. 공개된 모델의 크기와 쓰는 경로

Reflection 블로그는 Beam을 "a sparse Mixture-of-Experts model with 501 billion total parameters, 23 billion active"라고 소개했습니다. 전체 파라미터는 5,010억 개지만 토큰마다 230억 개만 계산에 쓰는 구조입니다. Hugging Face 블로그는 이 구조 때문에 배포에는 501B 모델만큼의 메모리가 필요하고 속도는 23B 모델 수준이라고 설명합니다. 계산량이 작아도 장비는 작아지지 않습니다.

입력과 출력은 텍스트뿐입니다. Hugging Face 블로그는 "Beam is a text-only model built for long-context (1M context length) reasoning and agentic work."라고 적었습니다. 이미지나 스캔 문서를 읽히는 수업에는 맞지 않습니다.

Reflection은 10월 5일 Beam을 먼저 소개했고, 10월 16일에 BF16, FP8, NVFP4 정밀도의 가중치와 추론 속도를 높이는 보조 모델(speculative decoding drafter)을 함께 내놓았습니다. 쓰는 경로도 여러 개입니다. 블로그는 직접 내려받아 설치하는 방법과 Reflection·파트너를 통해 쓰는 방법을 함께 소개하고, Reflection 자체 API는 공개 베타로 무료로 시작할 수 있다고 안내합니다. 유료 전환 시점과 단가는 공식 블로그에 적혀 있지 않아 확인하지 못했습니다.

2. Apache 2.0으로 해결되는 것과 따로 볼 것

모델 카드 상단의 License 항목은 Apache 2.0입니다. Apache 2.0은 상업적 이용과 수정, 재배포를 허용하는 오픈소스 라이선스입니다. 모델 카드도 Beam을 상업용과 연구용으로 쓸 수 있는 모델로 설명하고, 미세 조정·양자화·증류처럼 모델을 고치거나 출력으로 다른 모델을 학습시키는 일을 Reflection이 금지하지 않는다고 적었습니다.

모델 카드는 개인정보, 수출 규정 같은 법적 요건을 쓰는 쪽에서 확인하라고 하고, 검토할 영역은 Reflection 이용 정책(Usage Policy)에 정리해 두었다고 안내합니다. 이 글에서는 이용 정책 원문과 LICENSE 파일 전문을 직접 대조하지 않았으므로, 도입 전에 담당자가 두 문서를 읽어 두셔야 합니다.

3. 정밀도마다 필요한 GPU가 다릅니다

Hugging Face 블로그에 따르면 BF16 체크포인트는 약 1TB이고, NVFP4는 가중치 일부를 4비트로 저장해 약 280GB로 줄였습니다. NVFP4는 NVIDIA Blackwell GPU에서만 그대로 실행되고 H200 같은 이전 세대 GPU는 쓸 수 없어, 이전 세대에는 FP8 체크포인트를 쓰라고 안내합니다. FP8 체크포인트의 크기는 블로그에 적혀 있지 않습니다.

체크포인트 크기, GPU 1장 메모리, 각 구성의 GPU 대수와 설명은 Hugging Face 블로그에 적힌 내용입니다. 360GB와 720GB는 블로그가 밝힌 합계이며, 구성을 한 장에 나란히 모은 배치는 작성자가 정했습니다.

블로그는 B200 1장의 메모리가 180GB여서 2장(360GB)이면 가중치는 들어가지만 활성값과 KV 캐시(앞선 대화 내용을 기억해 두는 메모리)를 둘 공간이 적다고 설명하고, "Plan for four B200s (720 GB), which leaves plenty of room for long contexts and concurrent requests."라고 권합니다. 같은 블로그의 실행 예시는 FP8을 H200 8장에, BF16을 H200 8장짜리 노드 2대(16장)에 올립니다. 문맥이 길어질수록 메모리도 늘어납니다. 블로그 표에 따르면 1M 토큰을 모두 채운 요청 1건의 KV 캐시는 BF16 기준 36.08GiB입니다.

작성자가 보기에, 공식 자료에 나온 구성은 모두 데이터센터용이나 워크스테이션용 GPU를 여러 장 묶은 형태라서 강의실 PC 한 대에서 실행하는 수업은 계획하기 어렵습니다. 블로그도 Blackwell 장비가 없으면 Hugging Face Inference Providers로 시험하라고 안내합니다.

4. 영어 중심 개발과 성능 수치 읽기

모델 카드는 Beam이 "developed predominantly for English"라고 밝혔습니다. 이 글에서 확인한 공식 자료에는 한국어 성능을 측정한 수치가 없습니다. 언어와 관련된 수치는 Hugging Face 블로그의 미세 조정 예시에 하나 있습니다. 사용자가 요청한 언어로 추론 과정을 쓰는지 본 소규모 평가에서 기본 모델은 16개 질문 가운데 3개만 요청한 언어로 추론했고, 다국어 추론 데이터로 LoRA 미세 조정을 한 뒤에는 16개 모두 요청한 언어로 추론했습니다. 블로그는 이 평가가 언어를 따르는지만 본 것이고 추론이 맞았는지는 재지 않았다고 밝혔고, 어떤 언어가 포함됐는지도 적혀 있지 않습니다.

수치	누가 낸 수치인가	읽을 때 확인할 조건
SWE-bench Verified 81.6% 등 벤치마크	Reflection 팀이 제공한 값	Hugging Face 블로그가 "as provided by the Reflection team"이라고 표시, 독립 검증 아님
과제 5개 시험 결과	Hugging Face 블로그	과제마다 추론 수준별로 1번씩 실행, 블로그 스스로 "These are vibe evals, not benchmarks."라고 적음
요청 언어로 추론 16개 중 3개에서 16개	Hugging Face 블로그의 미세 조정 예시	질문 16개, 언어 준수만 측정, 포함 언어 미기재

한국어 자료를 다루는 수업이나 업무라면 위 수치보다 직접 준비한 한국어 질문으로 확인한 결과가 더 쓸모 있습니다.

5. 이번 주에 정할 것

먼저 기관이 쓸 수 있는 GPU의 종류와 장수를 적어 보십시오. Blackwell GPU 4장 이상이 있으면 NVFP4를, H200 8장이 있으면 FP8을 검토할 수 있고, 둘 다 없으면 Reflection API나 Hugging Face Inference Providers로 시험하는 쪽이 현실적입니다. 외부 API를 쓸 때는 입력 자료가 기관 밖으로 나가므로 어떤 자료까지 넣을지 미리 정해 두십시오.

그다음 실제 수업이나 업무에서 쓰는 한국어 질문 20개를 골라, 답과 추론 과정이 한국어로 제대로 나오는지 확인할 기준을 적어 두십시오. 라이선스 쪽은 담당자 1명을 정해 LICENSE 파일과 Reflection 이용 정책을 읽고 기관 규정과 부딪히는 항목이 있는지 표시하게 하면 됩니다.