Reflection stellt Beam vor: ein offenes Modell mit 501 Mrd. Parametern für effizientes Schlussfolgern

Reflection AI hat Beam am 5. Oktober 2026 veröffentlicht.

Das Start-up aus Brooklyn legt damit sein erstes Frontier-Modell mit offenen Gewichten vor. Der Schritt verschärft den Wettbewerb um eine konkurrenzfähige westliche Alternative zu führenden chinesischen Modellen wie DeepSeek, Qwen und Z.ai. Reflection tritt damit direkt gegen die bestimmenden Anbieter im globalen KI-Rennen an und greift ihren Marktanteil mit einem Werkzeug an, das auf klar umrissene, hochwertige Aufgaben zugeschnitten ist. Dahinter steht die Wette, dass Effizienz und nicht bloße Rechenleistung die nächste Phase der Unternehmensnutzung bestimmen wird. Der Zeitpunkt ist gewählt: Er fällt in eine Phase, in der Kosten und Verfügbarkeit von Frontier-Fähigkeiten besonders genau beobachtet werden.

Laut einem ausführlichen Blogbeitrag des Unternehmens ist Beam ein reines Textmodell nach dem Mixture-of-Experts-Prinzip, das für Reasoning, Programmierung und agentische Aufgaben gebaut wurde. Die Architektur ist dünn besetzt: Sie umfasst insgesamt 501.000.000.000 Parameter, aktiviert bei der Inferenz aber nur 23.000.000.000. Diese Entscheidung ist der Kern des Angebots von Reflection, denn sie soll hohe Leistung zu einem Bruchteil der Token-Kosten und der Inferenzzeit größerer, dichter Modelle liefern. Das Unternehmen gibt an, Beam sei mit 23.800.000.000.000 Tokens vortrainiert worden, aus Webinhalten und lizenzierten proprietären Daten. Diese Größenordnung ist mit anderen großen offenen Basismodellen auf dem Markt vergleichbar. Die Konzentration auf dünn besetzte Architekturen deutet auf die Überzeugung hin, dass dichte Modelle für viele Anwendungen wirtschaftlich nicht mehr tragfähig sind.

Effizienz als Wettbewerbsvorteil

Reflection rückt bei Beam die Effizienz während der Inferenz in den Mittelpunkt.

Nach Angaben des Unternehmens erreicht Beam bei anspruchsvollen Reasoning-Benchmarks Werte auf dem Niveau von Z.ais GLM-5.2 und braucht dabei 3- bis 4-mal weniger Inferenzrechenleistung. Diese Effizienz reagiert direkt auf den wirtschaftlichen Druck, unter dem Unternehmen und souveräne Staaten stehen. Sie wollen KI-Systeme einsetzen, ohne die hohen Kosten geschlossener Lab-APIs oder riesiger offener Modelle chinesischer Entwickler zu tragen. Reflection beschreibt Beam als „Arbeitspferd-Modell“ für Unternehmen, den öffentlichen Sektor und Entwickler. Weil jeder Inferenzaufruf weniger Rechenaufwand kostet, sollen auch kleinere Institutionen anspruchsvolles Schlussfolgern nutzen können. Der Blogbeitrag hebt hervor, dass die Effizienzvorteile noch deutlicher ausfallen, wenn man Beam mit Modellen der 2.000.000.000.000-Parameter-Klasse wie Qwen 3.8-Max vergleicht, die pro Token deutlich mehr Ressourcen benötigen. Diese Kostenstruktur ist das wichtigste Unterscheidungsmerkmal in einem Markt, in dem API-Gebühren für viele IT-Verantwortliche einen großen Posten im Budget ausmachen.

Eine unabhängige Prüfung dieser Leistungsangaben steht noch aus, denn das Modell durchläuft derzeit die abschließenden Red-Teaming- und Evaluierungsphasen. Gewichte, ein technischer Bericht und Entwicklerwerkzeuge sollen im weiteren Verlauf des Oktobers 2026 erscheinen. Bis dahin bleiben die Zahlen von Reflection selbst gemeldete Benchmarkwerte, wie es in der schnelllebigen Entwicklung offener Modelle üblich ist. Kritiker dürften einwenden, dass die Effizienzversprechen ohne Prüfung durch Dritte theoretisch bleiben. Die Community wird vermutlich auf die offenen Gewichte warten, bevor sie ein belastbares Urteil über die tatsächlichen Fähigkeiten des Modells fällt.

Benchmark-Ergebnisse und Vergleiche

Die eigenen Messungen von Reflection zeigen Beam vor mehreren westlichen offenen Modellen, darunter Inkling von Thinking Machines Lab und Nemotron 3 Ultra von NVIDIA. In Programmiertests, für die beide Seiten Ergebnisse melden, liegt Beam bei vier Aufgaben vor Inkling. Allerdings ist Inkling ein multimodales Modell, Beam dagegen ein reines Textmodell, was den direkten Vergleich relativiert. Das Unternehmen räumt ein, dass Frontier-Modelle mit offenen Gewichten wie Kimi K3 bei der reinen Leistungsfähigkeit vorn bleiben. Der Vorteil von Beam liege aber in Geschwindigkeit und Kosteneffizienz während der Inferenz. Dieser Unterschied zählt für Entwickler, denen Latenz und Kosten wichtiger sind als Spitzenwerte in jeder Situation.

• Bei SWE Bench Pro v2-Hard erreichte Beam 77,2 Punkte, GLM 5.3 kam auf 84,3 und Kimi K3 auf 88,2.
• In Terminal Bench v2.1 erzielte Beam 80,1 Punkte, knapp hinter GLM 5.2 mit 81,0 und deutlich hinter Kimi K3 mit 88,3.
• Bei Reasoning-Aufgaben wie AIME 2026 kam Beam auf 97,8, fast gleichauf mit GLM 5.2 (99,2) und besser als Inkling mit 97,1.
• Bei GPQA Diamond, einem Test zum naturwissenschaftlichen Wissen auf Hochschulniveau, erreichte Beam 90,5 Punkte und lag damit hinter Kimi K3 mit 93,5, aber vor Inkling mit 87,2.

Die Zahlen beschreiben ein Modell, das einen Teil der Spitzenleistung gegen deutliche Effizienzgewinne tauscht. Dieser Kompromiss ist wichtig für Organisationen, die sehr viele Inferenzaufgaben abwickeln, etwa agentische Abläufe mit mehreren Schritten aus Schlussfolgern und Werkzeugnutzung. Weil jeder Schritt weniger Zeit und Geld kostet, könnte Beam die Gesamtkosten komplexer KI-Abläufe senken. Besonders attraktiv ist das für Anwendungen im Hochfrequenzhandel oder im Kundenservice in Echtzeit, wo Latenz an erster Stelle steht.

Der weitere Kontext offener KI-Modelle

Reflections Markteintritt fällt in eine Phase, in der der Abstand zwischen den KI-Fähigkeiten der USA und Chinas schrumpft. Berichte von Bloomberg Intelligence legen nahe, dass der Vorsprung der USA gegenüber China auf etwa 3 % gesunken ist, vor allem wegen der schnellen Fortschritte von DeepSeek und anderer chinesischer Labore. In dieser Lage stehen westliche Start-ups unter Druck, sich mit ihrem Angebot abzuheben. Für Reflection ist die Strategie klar: konkurrieren über Kosten und Effizienz statt allein über Spitzenwerte in Benchmarks. Das erkennt an, dass die Zeit, in der Benchmark-Ergebnisse allein den Ausschlag gaben, zu Ende geht und Kennzahlen aus dem praktischen Einsatz wichtiger werden.

Das Unternehmen hat sich mit Nachdruck die Rechenressourcen gesichert, die für Training und Betrieb von Frontier-Modellen nötig sind. Im Sommer schloss Reflection Verträge im Wert von mehr als 7.000.000.000 US-Dollar mit SpaceX und Nebius, um bis 2029 Zugang zu Nvidias GB300-Chips zu erhalten. Diese Infrastruktur ist die Grundlage für den Trainingsrhythmus und die Inferenzkapazität, auf denen die Leistungsangaben zu Beam beruhen. Die Partnerschaft mit Nvidia ist besonders bemerkenswert, weil Jensen Huang, CEO von Nvidia, seit Langem die Vision der „KI-Fabrik“ vertritt. Sie passt zu Reflections Ziel, Institutionen maßgeschneiderte lokale KI-Systeme zu ermöglichen. Solche groß angelegten Hardwareverpflichtungen zeigen langfristiges Vertrauen in die Tragfähigkeit der Strategie offener Gewichte.

Das Produkt „KI-Fabrik“ von Reflection soll es Unternehmen und souveränen Staaten erlauben, die Modelle des Unternehmens mit eigenen proprietären Daten zu trainieren und so angepasste Systeme zu betreiben, die unter lokaler Kontrolle bleiben. Das adressiert Bedenken zum Datenschutz und den Wunsch nach Souveränität beim KI-Einsatz. Axios berichtete, dass Hedgefonds und Handelsfirmen zu den ersten Kunden gehören, die solche Systeme aufbauen wollen. Das deutet auf eine starke Nachfrage nach sicheren, leistungsfähigen Reasoning-Modellen in sensiblen Branchen hin. Diese Branchen reagieren besonders empfindlich auf Datenabfluss und regulatorische Vorgaben, weshalb lokale Inferenz dort ein zentrales Verkaufsargument ist.

Folgen für die Branche

Mit Beam betritt ein weiterer wichtiger Anbieter das dicht besetzte Feld offener Modelle. Der Wettbewerb mit Mistral, Meta und Cohere sowie mit chinesischen Laboren wie Z.ai und DeepSeek wird härter. Weil Beam bei Reasoning und Programmierung mithält und dabei effizienter arbeitet, könnte Reflection Entwickler gewinnen, die bisher die hohen Kosten größerer Modelle oder die geschlossenen APIs von Anthropic und OpenAI abgeschreckt haben. Das könnte die Machtverhältnisse im Open-Source-Ökosystem verschieben, hin zu spezialisierten, effizienten Architekturen und weg von Allzweckriesen.

Die Beschränkung auf Text ist eine strategische Entscheidung, die eine tiefere Optimierung in einzelnen Bereichen erlaubt. Multimodale Fähigkeiten gelten zwar zunehmend als Standard, doch Reflection argumentiert, dass die Beherrschung von textbasiertem Schlussfolgern und Programmieren die Grundlage für komplexere agentische Verhaltensweisen ist. Der Schwerpunkt auf rechenintensivem bestärkendem Lernen, mit mehr als 100.000.000 Rollouts auf 10.500 NVIDIA GB300 GPUs, zeigt den Willen, die Entscheidungsfähigkeit des Modells durch umfangreiches Üben zu verbessern statt nur die Parameterzahl zu erhöhen. Diese Methode folgt einem breiteren Trend in der KI-Forschung hin zu Effizienz und Spezialisierung statt roher Rechengewalt.

Sobald die Gewichte und der technische Bericht im Laufe dieses Monats erscheinen, kann die Community die Angaben von Reflection prüfen und das Modell für eigene Anwendungsfälle feinabstimmen. Ob Beam erfolgreich wird, hängt davon ab, ob sich die Effizienzgewinne in echte Einsparungen für Nutzer übersetzen und ob die Leistung einer unabhängigen Prüfung standhält. Ist das der Fall, könnte Beam zu einem Standardwerkzeug im westlichen KI-Stack werden und eine glaubwürdige Alternative zu chinesischen Wettbewerbern zu geringeren Kosten bieten. Die nächsten Wochen entscheiden über den Ruf des Unternehmens und darüber, wie schnell das Modell übernommen wird.