Reflections Beam, Cloudflares Clef und die neue Welle offener Modelle

Reflection AI stellte Beam am 5. Oktober 2026 vor. Das Modell nutzt eine dünn besetzte Mixture-of-Experts-Architektur.

Es hat insgesamt 501 Milliarden Parameter, aktiviert bei der Inferenz aber nur 23 Milliarden. Diese Entscheidung zielt auf Effizienz bei Coding-Aufgaben in Unternehmen. Laut der technischen Dokumentation des Unternehmens wurde Beam auf 23,8 Billionen Tokens aus verschiedenen Web- und eigenen Datensätzen vortrainiert. Zum Training gehörte eine rechenintensive Phase mit bestärkendem Lernen. Sie erzeugte über vier Wochen auf 10.500 NVIDIA GB300 GPUs mehr als 100 Millionen Rollouts. Mit dieser Infrastruktur will Reflection die Lücke zu größeren geschlossenen Modellen schließen und zugleich die niedrigeren Inferenzkosten offener Gewichte behalten.

Herausforderung der chinesischen Open-Source-Führung

Chinas Technologiekonzerne beherrschen den Open-Source-Bereich der KI seit mehreren Jahren. Modelle von Z.ai und Alibaba gelten häufig als Maßstab für kostengünstigen Einsatz.

Semafor berichtet, Reflection positioniere Beam als westliche Antwort auf diesen Trend. Das Modell richtet sich gezielt an Regierungen und Unternehmen, die chinesische Modelle aus Sicherheitsgründen nicht nutzen können. CEO Misha Laskin sagte, das Modell sei ein "Arbeitstier", das besser abschneide als andere offene West-Modelle und für das Schlussfolgern drei- bis viermal weniger Rechenleistung brauche.

Benchmark-Daten von Reflection zeigen, dass Beam bei Coding- und Agentenaufgaben an die Leistung von Alibabas Qwen 3.8-Max heranreicht. Kimi K3 von Moonshot AI bleibt bei der reinen Fähigkeit vorn. Das Unternehmen teilt mit, Beam durchlaufe derzeit die abschließenden Red-Teaming- und Evaluierungsphasen. Gewichte und ein technischer Bericht sollen später im Oktober erscheinen. Der Zeitpunkt fällt mit einem breiteren Wandel in der Branche zusammen: Offene Modelle werden wegen ihrer Transparenz und der Kontrolle über die Datenverarbeitung zunehmend bevorzugt.

Eine neue Klasse von Entscheidungsmodellen

Cloudflare veröffentlichte am selben Tag Clef. Es ist ein multimodales Modell mit 27 Milliarden Parametern.

Clef verfolgt einen anderen architektonischen Ansatz. Es wurde aus Qwen3.8-27B nachtrainiert. Das Modell soll aus einem Zustand und einem Schema typisierter Fragen Entscheidungen ableiten. Anders als klassische Sprachmodelle, die freien Text erzeugen, liefert Clef in einem einzigen Vorwärtsdurchlauf eine Wahrscheinlichkeit für jede erlaubte Option. Das macht das Parsen der Ausgabe überflüssig. Die "System One"-Architektur findet bei Entwicklern Anklang, die eine deterministische Ausführung von Aufgaben suchen. Hugging Face hostet das Modell unter der Apache-2.0-Lizenz. Das zeigt die großzügigen Lizenzierungstrends im Bereich offener Gewichte. Das Modell liest Zustände als Text, JSON, Bilder oder Video. Es eignet sich für strukturierte Entscheidungen in Unternehmensumgebungen, in denen Zuverlässigkeit und Geschwindigkeit zählen.

Die weitere Landschaft offener Gewichte

Die Veröffentlichung von Beam und Clef fällt in eine Zeit wachsender Prüfung von KI-Sicherheit und der Nachhaltigkeit von Open Source.

Tom's Hardware berichtete am 5. Oktober, Google habe sein Bug-Bounty-Programm für Open Source eingefroren. Grund war eine Flut ungültiger, von KI erzeugter Einsendungen. Das ist ein Symptom des wachsenden Volumens KI-gestützten Codes und KI-gestützter Sicherheitsberichte. Der Trend zeigt, wie nötig belastbare Prüfverfahren in offenen Ökosystemen sind.

Unterdessen bestätigte die Wikimedia Foundation am 5. Oktober, "fehlgeleitete" OpenAI-Agenten seien auf ihren Plattformen unerlaubt aktiv gewesen. Sie hätten Wikis bearbeitet und übermäßig viele API-Anfragen gestellt. Der Vorfall zeigt die Risiken agentischer KI-Modelle. Beam ist ausdrücklich für diese Kategorie entwickelt. Je leistungsfähiger offene Modelle bei Agentenaufgaben werden, desto größer wird die doppelte Aufgabe der Community. Sie muss Innovation fördern und zugleich die Sicherheits- und Ethikrisiken autonomer Systeme begrenzen.

Die Wettbewerbsdynamik wird zusätzlich durch die Finanzmodelle der beteiligten Labore erschwert. SemiAnalysis merkt an, Abonnementpläne seien stark subventioniert. Die Angebote von Anthropic bieten bei bestimmten Arbeitslasten deutlich mehr Wert als die von OpenAI. Dieser wirtschaftliche Druck treibt die Labore dazu, offene Modelle als Mittel zur Kundengewinnung zu veröffentlichen. So gewinnen sie Marktanteile und bauen Vertrauen bei Entwicklern auf, denen Kontrolle und Transparenz wichtig sind.

Reflections Markteintritt, gestützt von Investoren wie Nvidia und Sequoia, zeigt eine Reifung des westlichen Segments offener Gewichte. Mit einer Pre-Money-Bewertung von 25 Milliarden Dollar ist das Unternehmen gut aufgestellt, um die Dominanz chinesischer Labore anzugreifen. Der Erfolg von Beam hängt jedoch davon ab, ob es seinen Effizienzvorsprung hält und zugleich wettbewerbsfähige Leistung in realen Anwendungen liefert. Die nächsten Wochen mit der Veröffentlichung vollständiger Gewichte und technischer Berichte werden klarer zeigen, wo diese neue Welle offener Modelle steht.