Reflection AI stellt Beam vor: offenes Modell mit 501 Mrd. Parametern gegen chinesische Konkurrenz

Das Start-up Reflection AI aus Brooklyn hat Beam am Montag, 5. Oktober veröffentlicht.

Laut TechCrunch bestätigte Reflection frühere Berichte von Axios, wonach ein Start unmittelbar bevorstand. In einem Blogbeitrag beschreibt das Unternehmen die Architektur: Beam ist ein reines Textmodell nach dem Mixture-of-Experts-Prinzip (MoE). Es hat insgesamt 501 Milliarden Parameter, von denen bei der Inferenz nur 23 Milliarden aktiv sind. Vortrainiert wurde das Modell auf 23,8 Billionen Tokens, das Kontextfenster umfasst eine Million Tokens. Zum Vergleich: GLM-5.2 von Z.ai kommt auf rund 744 Milliarden Parameter insgesamt, davon 40 Milliarden aktive. Beams aktiver Fußabdruck ist damit deutlich kleiner.

Reflection gibt an, Beam erreiche auf Benchmarks für fortgeschrittenes Schlussfolgern dieselben Werte wie GLM-5.2 von Z.ai.

Das Start-up bezeichnet Beam als Arbeitspferd für Unternehmen, den öffentlichen Sektor und Entwickler, die große Mengen verarbeiten müssen, ohne die Aufpreise geschlossener APIs zu zahlen.

Technisch stützt sich Beam stark auf Reinforcement Learning (RL) mit hohem Rechenaufwand. Im Blogbeitrag auf der eigenen Website schreibt Reflection, der RL-Lauf habe über 100 Millionen Rollouts erzeugt. Diese Trainingsphase lief vier Wochen lang auf 10 500 NVIDIA GB300 GPUs. Nach Darstellung des Unternehmens verdankt Beam dieser Investition in die RL-Infrastruktur seine konkurrenzfähigen Werte bei Coding- und Agentic-Aufgaben gegenüber größeren Modellen wie Qwen 3.8-Max, trotz der geringeren Parameterzahl.

Beam durchläuft derzeit die abschließenden Red-Teaming- und Evaluierungsphasen.

Die Veröffentlichung fällt in eine Zeit, in der die Abstände zwischen US-amerikanischen und chinesischen KI-Fähigkeiten schrumpfen. Bloomberg Intelligence meldete am Sonntag, 4. Oktober, der Vorsprung der USA sei kleiner geworden, DeepSeek habe die Lücke auf nur noch 3 Prozent geschlossen. Vor diesem Hintergrund wiegt Reflections Anspruch auf Gleichstand mit GLM-5.2 von Z.ai schwer. Sollte er stimmen, würde Beam die These angreifen, nur die größten chinesischen Modelle könnten Schlussfolgern auf Frontier-Niveau zu wettbewerbsfähigen Preisen liefern.

Reflection positioniert Beam sowohl gegen geschlossene Labore wie Anthropic und OpenAI als auch gegen offene Modelle westlicher Anbieter wie Mistral und Meta. Der direkteste US-Rivale dürfte Inkling sein, das offene Modell von Mira Muratis Thinking Machines Lab, das im Juli erschien. Nach Reflections internen Benchmarks liegt Beam bei vier Coding-Tests vorn, für die beide Ergebnisse melden. Ein Unterschied bleibt jedoch: Inkling ist multimodal, Beam ist reines Textmodell. Diese Einschränkung kann den Nutzen von Beam in Anwendungen begrenzen, die Bild- oder Videoverarbeitung verlangen. Bei Frontier-Einsätzen wird das zunehmend Standard.

Benchmark-Vergleiche in der KI-Branche sind oft umstritten.

Die am 5. Oktober veröffentlichte Rangliste von Veris AIsolutions zeigt für einzelne Anwendungsfelder ein anderes Bild. Im VAmoS Pro Bench für Sprachagenten führte Grok Voice mit einer Aufgabenlösungsrate von 44,7 Prozent, die übrigen Modelle blieben dahinter zurück. Der Benchmark misst Sprachinteraktionen, nicht allgemeines Schlussfolgern oder Coding, und zeigt damit, wie zersplittert die Leistungskennzahlen sind. Ein Modell, das bei textbasiertem Schlussfolgern stark ist, muss in agentischen oder sprachgetriebenen Abläufen nicht vorn liegen. Direkte Vergleiche zwischen Veröffentlichungen wie Beam und etablierten Marktführern werden dadurch schwieriger.

GitHubs neuer ReviewBench, ebenfalls am 5. Oktober erschienen, liefert eine weitere Perspektive auf Code-Review-Fähigkeiten. Der Benchmark wertete über 100 Millionen echte Pull Requests aus, um die Verteilung der Code-Review-Arbeitslast abzubilden. Er enthält 219 öffentliche Pull Requests in 19 Sprachen. GitHub erklärte, seine Offline-Bewertung von Copilot Code Review habe mit dem neuen Werkzeug Produktionsversuche besser vorhergesehen. Reflection nennt Beam beim Coding stark, doch ohne unabhängige Prüfung auf standardisierten, öffentlich zugänglichen Benchmarks wie ReviewBench bleibt das Gesamtbild von Beams Coding-Leistung unklar.

Reflection wurde 2024 von zwei ehemaligen Forschern von Google DeepMind gegründet.

Nach PitchBook-Daten, die TechCrunch zitiert, hat das Start-up rund 4,7 Milliarden Dollar eingesammelt, unter anderem von Nvidia, Sequoia Capital und Lightspeed Venture Partners. In der letzten Runde wurde das Unternehmen mit 25 Milliarden Dollar vor der Geldaufnahme bewertet. Dieses Kapital ist entscheidend, um die Rechenressourcen für das Training von Frontier-Modellen zu sichern. In der Branche gilt der Zugang zu Rechenleistung als eine der Voraussetzungen, um Kunden von geschlossenen Modellen und günstigeren offenen Modellen chinesischer Labore wegzulocken.

Diesen Sommer schloss Reflection Verträge im Wert von mehr als 7 Milliarden Dollar mit SpaceX und Nebius. Diese Vereinbarungen sichern den Zugang zu Nvidias GB300-Chips bis 2029. Die Abhängigkeit von Nvidia-Hardware hat zwei Seiten: Sie garantiert Spitzenleistung, bindet die Roadmap des Unternehmens aber eng an seinen größten Investor. Nvidia-CEO Jensen Huang wirbt seit Langem für die Idee der KI-Fabrik, eine Vision, von der Nvidia profitiert, weil seine GPUs diese Systeme antreiben. Reflection will KI-Fabriken an Unternehmen und souveräne Staaten verkaufen. Institutionen sollen damit eigene, lokale KI-Systeme aufbauen, indem sie Reflections Modelle mit eigenen Daten trainieren.

Axios berichtete, Hedgefonds und Handelsfirmen gehörten zu den Interessenten an solchen Systemen.

Das Modell der KI-Fabrik bietet ein anderes Wertversprechen als übliche API-Dienste. Weil lokales Training auf privaten Daten möglich ist, adressiert Reflection die Sorge um Datensouveränität, die für Finanzinstitute und Behörden zentral ist. Diese Ausrichtung deutet darauf hin, dass Reflection langfristig nicht nur konkurrenzfähige Modelle veröffentlichen will, sondern eine Infrastrukturschicht für den privaten KI-Einsatz aufbauen möchte.

Der Zeitpunkt der Beam-Veröffentlichung fällt mit anderen Entwicklungen im KI-Ökosystem zusammen. Am 5. Oktober stellte Liquid AI d1 vor, ein Entscheidungsmodell für Text und Bilder. Liquid AI behauptet, d1 erreiche oder übertreffe GPT-6.1 Sol in vier von sechs realen Anwendungen und koste dabei 19- bis 200-mal weniger. Diese aggressive Preispolitik kleinerer Anbieter zeigt den Druck auf Frontier-Modelle, ihre Rechenkosten zu rechtfertigen. Am selben Tag veröffentlichte GitHub ReviewBench, ein Signal für strengere und standardisierte Bewertungsmethoden in der Branche.

Mit seinem Markteintritt trägt Reflection zur Unübersichtlichkeit der aktuellen KI-Landschaft bei. Das Unternehmen muss belegen, dass seine Effizienzversprechen für Unternehmen echte Einsparungen bringen. Liefert Beam tatsächlich Frontier-Leistung zu einem Bruchteil der Kosten, könnte das die Preismodelle geschlossener und offener Wettbewerber durcheinanderbringen. Ohne unabhängige Prüfung bleibt die Branche skeptisch. Die kommenden Wochen werden entscheidend, wenn die Gewichte erscheinen und Dritte die Benchmarks nachfahren. Vorerst hat Reflection die Messlatte für den westlichen Open-Weight-Sektor hoch gelegt, die chinesischen Marktführer herausgefordert und eine neue Phase im globalen KI-Wettlauf eingeläutet.