Reflection stellt Beam vor: Effizienz als Antwort auf chinesische KI-Modelle
Am 5. Oktober veröffentlichte Reflection AI Beam, ein offenes Modell mit 501.000.000.000 Parametern, das chinesische Konkurrenten wie GLM-5.2 erreichen soll, dabei aber drei- bis viermal weniger Inferenz-Rechenleistung braucht.

Reflection AI hat Beam am Montag offiziell vorgestellt.
Das Start-up aus Brooklyn behauptet, sein erstes Frontier-Modell mit offenen Gewichten erreiche auf Benchmarks für fortgeschrittenes Reasoning das Niveau führender chinesischer offener Modelle. Der Preis dafür sei deutlich niedriger. Der Schritt soll den Wettlauf um eine westliche Antwort auf DeepSeek, Qwen und Z.ai anheizen.
Beam ist ein reines Textmodell nach dem Mixture-of-Experts-Prinzip mit 501.000.000.000 Parametern insgesamt und 23.000.000.000 aktiven Parametern. Es wurde mit 23.800.000.000.000 Tokens vortrainiert und hat ein Kontextfenster von 1.000.000 Tokens. Laut dem Blogbeitrag des Unternehmens wurde das Modell mit rechenintensivem Reinforcement Learning trainiert, um bei Reasoning, Coding und agentischen Aufgaben zu überzeugen. Reflection zufolge braucht Beam für vergleichbare Ergebnisse auf anspruchsvollen Reasoning-Benchmarks „3-4x weniger Inferenz-Rechenleistung“ als die Konkurrenz.
Das Start-up positioniert Beam gegen geschlossene Anbieter wie Anthropic und OpenAI sowie gegen verbreitete offene Modelle chinesischer Entwickler. Der direkteste US-Konkurrent dürfte Inkling sein, das offene Modell aus Mira Muratis Thinking Machines Lab, das im Juli erschien. Die eigenen Benchmarks von Reflection zeigen, dass Beam Inkling in vier Coding-Tests übertrifft, für die beide Ergebnisse melden. Allerdings ist Inkling multimodal, Beam dagegen reines Textmodell. TechCrunch berichtete, die Ankündigung bestätige frühere Angaben von Axios, wonach das Start-up kurz vor dem Start stand.
Reflection wurde 2024 von zwei ehemaligen Forschern von Google DeepMind gegründet und hat rund 4.700.000.000 Dollar von Geldgebern wie Nvidia, Sequoia Capital und Lightspeed Venture Partners eingesammelt. In der letzten Runde wurde das Unternehmen mit 25.000.000.000 Dollar vor der Geldaufnahme bewertet. Im Sommer schloss das Start-up Verträge mit SpaceX und Nebius über insgesamt mehr als 7.000.000.000 Dollar, um sich bis 2029 Zugang zu Nvidias GB300-Chips zu sichern. Mit Beam zielt das Unternehmen auf Konzerne und souveräne Staaten. Das Produkt soll Institutionen eigene, lokal angepasste KI-Systeme bauen lassen, indem sie Reflections Modelle mit ihren eigenen proprietären Daten trainieren.
Das Effizienzargument
Reflection argumentiert, Effizienz sei im aktuellen Markt der entscheidende Unterschied. Auf Benchmarks für fortgeschrittenes Reasoning erreiche Beam nach Angaben des Unternehmens das Niveau von Z.ais GLM-5.2. Allerdings brauche es dafür deutlich weniger Energie und Hardware. Das ist eine direkte Herausforderung des Trends zu größeren und teureren Modellen an der Frontier. Das Unternehmen beschreibt Beam als „Arbeitspferd“ für Konzerne, den öffentlichen Sektor und Entwickler, die hohe Leistung ohne den entsprechenden Overhead brauchen.
Die Fähigkeiten des Modells stammen aus umfangreichen Investitionen in Vortraining und Reinforcement Learning. Reflection erklärte, sein rechenintensiver RL-Lauf habe über 100.000.000 Rollouts auf 10.500 NVIDIA GB300 GPUs in vier Wochen Training erzeugt. Dieser hardwarelastige Ansatz ist für die Entwicklung von Frontier-Modellen typisch, doch der Fokus auf Inferenz-Effizienz ist eine strategische Neuausrichtung. Mit geringeren Rechenkosten pro Token will Reflection fortgeschrittene KI einem breiteren Kreis von Organisationen zugänglich machen, die sich die hohen Energierechnungen aktueller Flaggschiffmodelle nicht leisten können.
Wettbewerbsumfeld
Der Markt für Modelle mit offenen Gewichten wird zunehmend voll. Chinesische Labore dominieren diesen Bereich mit Modellen, die hohe Leistung zu niedrigen Kosten bieten. Reflections Einstieg bringt einen gewichtigen westlichen Anbieter in diese Nische. Das Unternehmen konkurriert nicht nur über die reine Leistungsfähigkeit, sondern über die wirtschaftliche Tragfähigkeit beim Einsatz dieser Modelle. Für Konzerne, die ihre IT-Budgets im Blick behalten müssen, während sie KI einführen, ist das ein wichtiger Unterschied. Die Vision der „AI-Factory“, für die Nvidias CEO Jensen Huang wirbt, passt zu diesem Ziel. Nvidias GPUs würden diese Systeme antreiben, ein Zusammenspiel, von dem sowohl der Modellanbieter als auch der Hardwarehersteller profitieren.
Laut BleepingComputer baut OpenAI ebenfalls seine Monetarisierung aus und will in ChatGPT visuelle Anzeigen zeigen, während Nutzer Bilder erzeugen. Das zeigt den breiteren Branchentrend, neue Erlösquellen jenseits von Abonnements zu finden. OpenAI setzt auf Werbung für Endkunden, Reflection auf Infrastruktur für Unternehmen. Beide Wege spiegeln den finanziellen Druck, unter dem KI-Firmen ihren Betrieb finanzieren müssen. Training und Betrieb großer Modelle sind teuer, und effiziente Wege zu Einnahmen haben für alle großen Anbieter höchste Priorität.
Technische Details und Benchmarks
Wie Beam bei Coding-, agentischen, Reasoning- und STEM-Benchmarks abschneidet, steht in der technischen Dokumentation des Unternehmens. Im Benchmark SWE Bench Pro v2-Hard erreicht Beam 77,2, Inkling 56,9 und GLM 5.3 84,3. Im Reasoning-Benchmark AIME 2026 kommt Beam auf 97,8. Diese Zahlen legen nahe, dass Beam mit einigen der besten Modelle im Feld mithalten kann. Das Unternehmen räumt jedoch ein, dass Frontier-Modelle mit offenen Gewichten wie Kimi K3 bei der reinen Leistungsfähigkeit vorn bleiben. Beams Vorteil liegt in der Effizienz zur Inferenzzeit, was bei großen Deployment-Szenarien ausschlaggebend sein kann.
Das Modell durchläuft derzeit die abschließenden Red-Teaming- und Evaluierungsphasen, bevor Gewichte, technischer Bericht und Modellkarte vollständig veröffentlicht werden. Wer früh zugreifen will, kann sich anmelden. Diese schrittweise Veröffentlichung erlaubt es dem Unternehmen, Rückmeldungen zu sammeln und mögliche Probleme vor der allgemeinen Freigabe zu beheben. Der Fokus auf Coding und agentische Leistung deutet darauf hin, dass Reflection hier die wertvollsten Anwendungen für sein Modell sieht. Über diese konkreten Anwendungsfälle kann das Unternehmen den praktischen Nutzen seiner Effizienzversprechen in realen Szenarien zeigen.
Marktfolgen
Die Veröffentlichung von Beam hat weitreichende Folgen für den KI-Markt. Sie zeigt, dass westliche Unternehmen bereit sind, über Kosten und Effizienz zu konkurrieren, nicht nur über reine Leistung. Das könnte zu einem vielfältigeren Ökosystem von KI-Modellen führen, in dem verschiedene Anbieter unterschiedliche Bedürfnisse und Budgets bedienen. Konzerne dürften KI leichter einführen, wenn sie aus einer größeren Auswahl von Optionen wählen können, die Leistung und Kosten ausbalancieren. Dass Beam offene Gewichte hat, bedeutet zudem, dass Entwickler das Modell prüfen und anpassen können, was Vertrauen schaffen und Anpassungen erleichtern kann. Das ist ein erheblicher Vorteil gegenüber geschlossenen Modellen, die oft als Blackbox gelten.
Mit der weiteren Entwicklung der KI-Branche dürfte der Fokus auf Effizienz und Wirtschaftlichkeit noch wichtiger werden. Die Energiekosten für Training und Betrieb großer Modelle sind ein erhebliches Problem für Unternehmen und Umwelt. Mit effizienteren Modellen können Firmen wie Reflection zu einer nachhaltigeren Zukunft der KI beitragen. Die Veröffentlichung von Beam ist ein Schritt in diese Richtung und könnte andere Unternehmen zum Nachziehen bewegen. Die kommenden Monate dürften spannend werden, da sich das Wettbewerbsumfeld weiter verschiebt.
Reflections Beam ist ein strategischer Zug im KI-Wettlauf, der hohe Leistung mit niedrigen Kosten verbindet. Mit dem Ziel Konzerne und souveräne Staaten will das Unternehmen im Infrastruktursektor Fuß fassen. Die Unterstützung großer Geldgeber wie Nvidia und Sequoia Capital zeigt Vertrauen in das Potenzial des Modells. Je reifer die Branche wird, desto stärker zählt das Verhältnis von Preis und Leistung. Beam ist in diesem Markt als gewichtiger Anbieter positioniert und bietet eine Alternative zu geschlossenen wie zu anderen offenen Modellen.
Quellen
15- 01Reflection debuts Beam, an open-weight AI model to rival Chinese models at lower compute costEN
- 02Beam: Reflection's 501B open-weight modelEN
- 03OpenAI will show visual ads in ChatGPT while you generate imagesEN
- 04Sales of sub-€25,000 electric car models set to rise sevenfoldEN
- 05Mold Linker Version 3.0.0 Release – Rewritten in RustEN
- 06WSL containers is now generally availableEN
- 07Topological Models of Modal LogicEN
- 08I built a Chrome extension that brings TikTok-style video browsing to desktopEN
- 09Jeff-Code: a 0.8B model makes Qwen 3.8-27B coding 47% faster, same pass rateEN
- 10Reika – A coding agent CLI designed around small local models firstEN
- 11Expat 2.9.0 released, fixes two vulnerabilitiesEN
- 12d1: The most capable decision model, now with visionEN
- 13Interfaze-1-lite: the first open-weight model for deterministic taskEN
- 14NASA-IBM Lunar Foundation Model and fine-tuning codeEN
- 15Mollie strengthens Pay by Bank to power the next generation of European paymentsEN
Alle Zahlen und Zitate in diesem Text stammen aus den unten genannten Quellen.
Die Materialien wurden vom Redaktionsteam mit Unterstützung von KI erstellt.
Kommentare
0- Noch keine Kommentare — seien Sie der Erste.