Reflection veröffentlicht Beam noch in diesem Monat, und der Fine-Tuning-Stack ist das Verkaufsargument

Reflection AI hat am 5. Oktober Beam vorgestellt, sein erstes Modell mit offenen Gewichten. Es ist ein sparse Mixture-of-Experts-Design mit 501 Milliarden Parametern insgesamt und 23 Milliarden aktiven. Laut dem Blogbeitrag des Unternehmens wurde es auf 23,8 Billionen Tokens aus Web- und lizenzierten Daten vortrainiert.

Die Gewichte sind noch nicht draußen. Reflection erklärt, man teste das Modell derzeit noch per Red-Teaming und evaluiere es. Gewichte, ein technischer Bericht, eine Model Card und Entwickler-Artefakte sollen noch in diesem Monat folgen.

Dieser Zeitplan wiegt schwerer als der Launch-Post. Eine Veröffentlichung mit offenen Gewichten nützt nur Teams, die das Modell fine-tunen können. Reflection verkauft Beam über die Inferenzkosten, nicht über die Führung in rohen Benchmarks. Das Unternehmen gibt an, Beam erreiche bei fortgeschrittenem Reasoning vergleichbare Werte wie GLM-5.2 von Z.ai und brauche dabei 3- bis 4-mal weniger Inferenz-Rechenleistung. Gegen Modelle der 2-Billionen-Parameter-Klasse wie Qwen 3.8-Max von Alibaba falle der Abstand laut eigenen Angaben noch größer aus.

Semafor berichtete, Mitgründer und CEO Misha Laskin habe Beam als "Arbeitstier" für Coding- und agentische Aufgaben angepriesen. Reflection wurde 2024 von ehemaligen DeepMind-Forschern gegründet. Das Unternehmen trainiert bereits einen Nachfolger, der laut Laskin "viel" leistungsfähiger werden soll. Semafor meldete außerdem, das Unternehmen habe im Juni eine Pre-Money-Bewertung von 25 Milliarden Dollar bestätigt, mit Nvidia, Sequoia und Citigroup unter den Investoren.

Die Effizienzversprechen sind das Verkaufsargument, nicht die Eval-Tabelle

Reflections eigene Benchmark-Tabelle ist ehrlich über die Lücken. Beam erreicht 77,2 auf SWE Bench Pro v2-Hard, Kimi K3 liegt bei 88,2. Ohne Tools kommt Beam auf 36,2 bei HLE, Kimi K3 auf 46,9. Auf SWE Bench Pro v1 stehen 65,5 zu Buche, vor GLM 5.2 mit 62,1, aber hinter Qwen 3.8 Max mit 67,7. Am stärksten ist das Ergebnis mit 97,8 auf AIME 2026, knapp unter den 99,2 von GLM 5.2.

Das Effizienzargument macht einen Fine-Tuning-Stack interessant. Eine kleinere Zahl aktiver Parameter kann vergleichbares Reasoning zu einem Bruchteil der Rechenleistung liefern. Wenn das stimmt, haben Teams, die ein eigenes Modell wollen, eine günstigere Basis zum Anpassen, und Experimente kosten weniger. Reflection formuliert es ausdrücklich: "mehr Intelligenz pro Token". Das Modell ist als Arbeitstier gebaut, nicht als Aushängeschild an der Frontier.

Diese Behauptung bleibt unbelegt, bis die Gewichte da sind und Außenstehende ihre eigenen Evals fahren.

"Sie haben heute nicht wirklich gute Optionen", sagte Laskin zu Semafor über Unternehmen und Regierungen, die souveräne KI wollen, ohne sich auf chinesische Modelle zu stützen.

Der Zeitpunkt ist kein Zufall. Chinas Labore haben bei offenen Gewichten die Führung übernommen, und westliche Unternehmen haben sie für repetitive Arbeit stillschweigend übernommen. Reflection wettet darauf, dass Organisationen, die ein Modell besitzen und kontrollieren müssen, für eine westliche Basis zahlen, die sie im Haus fine-tunen können, statt sie zu mieten. Semafor berichtete, das Unternehmen arbeite mit dem US Center for Advancing Innovation and Standards for Super Intelligence und dem britischen AI Safety Institute an der Bewertung.

Der Rest des Stack der Woche

Beam ist nicht die einzige Veröffentlichung für Teams, die Modelle anpassen statt sie nur aufzurufen. Cloudflare veröffentlichte am 5. Oktober Clef, ein multimodales Modell mit 27 Milliarden Parametern, nachtrainiert aus Qwen3.8-27B. Es verwandelt einen Zustand und ein Schema typisierter Fragen in Wahrscheinlichkeiten, ohne freie Generierung und ohne Output-Parsing, unter Apache-2.0-Lizenz. Laut dem Unternehmen läuft es auf einer einzigen H200, für das Serving verweist es auf SGLang.

Reka veröffentlichte am selben Tag eine Forschungsvorschau von Rho-1. Es ist ein Omni-Reasoning-Modell mit 19 Milliarden Parametern, von Grund auf trainiert, das Text, Bilder und Video in einem Netz verarbeitet. Eine destillierte Variante senkt das Denoising von 99 Schritten auf 8. Interfaze veröffentlichte Interfaze 1.1 Lite, ein Mixture-of-Architectures-Modell, das auf einer einzigen 80-GB-GPU ohne externe Dienste läuft. NASA und IBM stellten Fine-Tuning- und Inferenzcode für ein Lunar Foundation Model bereit, mit TerraTorch-Konfigurationen für Kratererkennung und Eisprospektion.

Auch das Werkzeug rund um den Stack bewegt sich. GitHub veröffentlichte am 5. Oktober ReviewBench, einen offenen Benchmark mit 219 Pull Requests aus 19 Sprachen. Er stützt sich auf eine Analyse von 103,9 Millionen GitHub-Pull-Requests und soll KI-Code-Review messen statt Bauchgefühl. Googles Open Source Blog beschrieb eine gemergte Änderung an der Apache-Iceberg-REST-Catalog-Spezifikation. Die Änderung ergänzt Lesebeschränkungen für Spaltenmaskierung und Zeilenfilterung, was jeden betrifft, der fine-getunte Modelle über governierte Lakehouse-Daten ausliefert.

Nicht jede Nachricht der Woche hilft. DigitalOcean hat sein Open Source Credits-Programm still beendet, berichtet It's FOSS. Maintainer von Projekten wie Node.js erhielten die Mitteilung, dass Verlängerungen und neue Anträge geschlossen sind. Tom's Hardware meldete, Google habe am 1. Oktober Produktschwachstellen-Einreichungen für sein OSS VRP ausgesetzt, nach einer Flut ungültiger, KI-generierter Berichte. Google versprach ein Update bis zum ersten Quartal 2027.

Trainings- und Fine-Tuning-Infrastruktur wird teurer, wenn die kostenlosen Credits wegfallen.