Reflection publicó el 16 de octubre los pesos de Beam bajo licencia Apache 2.0: 501.300 millones de parámetros, 23.400 millones activos por token, ventana de un millón. Lo distinto no es el tamaño, sino que publicó tres descargas del mismo modelo, en BF16, FP8 y NVFP4, y midió las 23 pruebas de su tabla con cada una.

Casi nadie hace eso. El 80,1 en Terminal Bench v2.1 que circula en los titulares es el de la descarga BF16, que ocupa alrededor de un terabyte: no es la que casi nadie va a servir.

La versión pequeña gana en cuatro de veintitrés

Comparada con la BF16, la NVFP4 de unos 280 GB queda por debajo en 18 pruebas, empata en una y queda por encima en cuatro. Pierde 1,7 puntos en Terminal Bench v2.1 (80,1 contra 78,4), 2,3 en SciCode y 1,2 en HLE sin herramientas. Y gana 2,1 en SWE Bench Pro v2-Hard: 76,5 la grande, 78,6 la pequeña.

Tampoco hay una escalera ordenada por precisión. En AA Omniscience la FP8, que está en medio, es la peor de las tres: 10,8 la BF16, 9,8 la NVFP4 y 8,8 la FP8. En AIME 2026 es la mejor. Son cifras autorreportadas y de una sola corrida, así que varias de esas diferencias caben dentro del ruido, y esa es la conclusión útil: si caben dentro del ruido, tampoco sostienen que la descarga grande rinda más en la tarea de uno.

Esto no es una tabla, es una compra de hardware

Las tres descargas no corren en la misma máquina. Reflection publica la FP8 para GPU Hopper y Ampere y la NVFP4 para Blackwell, y la BF16 pide del orden de un terabyte solo en pesos. Elegir precisión es elegir qué servidor se compra o se arrienda, y esa decisión se justifica con la puntuación del anuncio. El cuadro por precisiones dice que no se sostiene sola.

El otro lanzamiento de la semana lo confirma. DeepSeek publicó el 17 de octubre V4.1-Flash-1017 con licencia MIT y tabla frente a otros modelos, pero con una sola columna de precisión, y su ficha enlaza 36 cuantizaciones de la comunidad, ninguna con resultados propios: quien descargue una sirve un modelo que nadie midió, con la puntuación de otro.

Qué mirar antes de descargar

La pregunta no es qué modelo abierto puntúa más alto, sino qué punto de control se va a servir y si existe una medición de ese. Si no existe, hay que hacerla sobre la tarea propia antes de dimensionar el servidor: la diferencia entre precisiones es del tamaño de la ventaja que se le atribuye al modelo entero. Es la otra mitad de lo que ya pedía la licencia en Mistral Large 4, y vale para los pequeños de hardware propio, como los modelos de decisión de Cloudflare y AWS.

Nosotros operamos agentes en producción y la cifra con la que presupuestamos es la medida en la configuración que de verdad se sirve, no la del anuncio.