Reflections Beam startet den westlichen Open-Weight-Vorstoß, doch die Gewichte fehlen noch

Der Blogbeitrag erschien am 5. Oktober. Er beschreibt Beam als spärliches Mixture-of-Experts-Modell mit 501 Milliarden Parametern insgesamt und 23 Milliarden aktiven, ausgerichtet auf Coding, Reasoning und agentische Aufgaben. Auf Hugging Face liegen die Gewichte nicht. Sie kommen laut Reflection „später in diesem Monat“, zusammen mit einem technischen Bericht, einer Modellkarte und Entwickler-Artefakten.

Diese Lücke wiegt diese Woche schwerer als sonst. Am selben Tag veröffentlichte Cloudflare echte Dateien: Clef, ein multimodales Modell mit 27 Milliarden Parametern, nachtrainiert aus Qwen/Qwen3.8-27B, mit Safetensors-Shards, einem Tokenizer und einer Apache-2.0-Lizenz auf der Modellseite. Interfaze-ai brachte interfaze-1-lite heraus, ein Mixture-of-Architectures-Modell, das laut Anbieter auf einer einzigen 80-GB-GPU läuft. Beide lassen sich herunterladen. Beam ist vorerst eine Benchmark-Tabelle und ein Anmeldeformular. Der Kontrast ist deutlich. Er erklärt, warum diese Ankündigung je nach Leser anders wirkt: für Forschende mit GPU-Cluster anders als für Entwickler, die heute Abend etwas zum Laufen bringen wollen.

Was die Zahlen sagen und was sie auslassen

Reflections Beitrag ist ungewöhnlich ausführlich beim Training. Beam sei auf 23.800.000.000.000 Tokens aus Web- und lizenzierten Datensätzen vortrainiert worden. Danach durchlief das Modell ein Reinforcement-Learning mit über 100.000.000 Rollouts auf 10.500 NVIDIA GB300 GPUs über vier Wochen. Solche Angaben lassen Labore sonst gern weg, und sie sind der stärkste Teil der Ankündigung.

Die Benchmark-Tabellen fallen gemischter aus. Beam erreicht 80,9 bei SWE-bench Verified, gegen 77,6 für Inkling und 70,7 für Nemotron 3 Ultra. Bei Terminal Bench v2.1 stehen 80,1 zu Buche, hinter GLM 5.3 mit 88,2, Kimi K3 mit 88,3 und Qwen 3.8 Max mit 86,6. In der Version von Humanity's Last Exam ohne Werkzeuge kommt Beam auf 36,2, unter GLM 5.2 mit 40,5, GLM 5.3 mit 42,3, Kimi K3 mit 46,9 und Qwen 3.8 Max mit 43,6. Mehrere Zellen in Reflections eigener Tabelle tragen die Angabe NR, also not reported, darunter die meisten SWE-bench-Werte von Kimi K3.

Am stärksten wirbt Reflection mit Effizienz. Beam erreiche Reasoning-Werte vergleichbar mit GLM-5.2 und brauche dabei drei- bis viermal weniger Inferenz-Rechenleistung. Der Abstand wachse gegenüber Modellen der 2T+-Klasse wie Qwen 3.8-Max. Semafor berichtete, Mitgründer und CEO Misha Laskin habe dieselbe Zahl mit drei- bis viermal weniger Rechenleistung für ein Problem angegeben, was das Modell schneller und billiger mache. Semafor vermerkte außerdem, Beam nähere sich Qwen 3.8-Max an und sei vergleichbar mit Z.ais GLM-5.2, das im Juni erschien.

„Sie haben heute wirklich keine guten Optionen“, sagte Laskin zu Semafor über Unternehmen und Regierungen, die souveräne KI-Systeme ohne chinesische Modelle wollen.

Semafor zufolge schloss Reflection, 2024 von ehemaligen DeepMind-Forschern gegründet, im Juni eine Finanzierungsrunde bei einer Pre-Money-Bewertung von 25.000.000.000 Dollar ab, mit Investoren wie Nvidia, Sequoia und Citigroup. Ebenso berichtete Semafor, Laskin habe gesagt, Reflection arbeite mit dem US Center for Advancing Innovation and Standards for Super Intelligence und dem britischen AI Safety Institute an der Bewertung des Modells. Reflections eigener Beitrag nennt Beam noch in der abschließenden Red-Teaming- und Evaluierungsphase.

Das Feld der offenen Gewichte ist voll und bewegt sich schnell

Beam kommt nicht in einen leeren Markt. Cloudflares Clef setzt auf eine ganz andere Wette: Das Modell erzeugt keinen freien Text. Es liest einen Zustand, also Text, JSON, Bilder oder Video, dazu ein Schema typisierter Fragen, und liefert in einem einzigen Vorwärtsdurchlauf eine Wahrscheinlichkeit für jede erlaubte Option. Die Modellkarte nennt einen gemeinsamen Schema-Head, der alle Optionen aller Fragen zusammen bewertet, und vermerkt, dass sich das Modell mit SGLang auf H200-, B200- und B300-Hardware betreiben lässt.

Interfaze-1-lite besteht aus einem Reasoning-Kern plus Spezialmodellen für Dokumente, Sprache, Segmentierung und Prognosen, die über Tool-Aufrufe verbunden sind. Die veröffentlichte Vergleichstabelle führt es bei GPQA Diamond mit 85,9, gegen 92,4 für GPT-5.4-Mini und 89,9 für Claude-Sonnet-4.6. Bei MMMU-Pro liegt es mit 73,2 vor beiden, die 71,1 und 46,3 erreichen. Bei olmOCR-Bench kommen 83,8 heraus, knapp unter den 85,7 von GPT-5.4-Mini.

Auch kleinere offene Arbeiten erscheinen. Ein Fork des Coding-Agenten Pi namens Jeff-Code setzt ein Entscheidungsmodell mit 0,8 Milliarden Parametern um Qwen 3.8-27B und meldet Coding-Aufgaben im Schnitt 47 Prozent schneller bei gleicher Erfolgsquote: 62,4 Prozent gegen 62,8 Prozent, eine gepaarte Differenz von minus 0,2 Punkten über 1.242 gepaarte Aufgaben. Reika, ein Coding-Agent-CLI für kleine lokale Modelle, veröffentlicht eigene Befunde. Eine Messung zeigt: Ein Rewrite im mittleren Kontext verarbeitete 8.453 Tokens Prompt neu und kostete 7,9 Minuten Prefill, während ein Anhängen in derselben Sitzung 25 Tokens und 3,5 Sekunden brauchte.

Weniger erfreulich ist die Geschichte der Infrastruktur drumherum. It's FOSS berichtete, DigitalOcean stelle sein Open Source Credits-Programm ein und habe Maintainern mitgeteilt, es nehme keine neuen Anträge mehr an und genehmige keine Verlängerungen, Erweiterungen oder zusätzlichen Credit-Anfragen mehr. Einen offiziellen Blogbeitrag dazu gibt es nicht. It's FOSS schrieb, die Node.js-Maintainer hätten es per E-Mail erfahren, und Gray, leitender Entwickler von Pidgin, habe die Schließung auf Mastodon bestätigt. Node.js hatte die Infrastruktur von DigitalOcean für Build-Vorgänge genutzt, darunter virtuelle Server, Storage, Snapshots und Backups.

Was offene Gewichte die kosten, die sie hosten

Zwei weitere Meldungen der letzten Tage zeigen die Rechnung hinter all dieser Aktivität. Tom's Hardware berichtete, Google habe am 1. Oktober die Meldung von Produktschwachstellen in sein Open Source Software Vulnerability Reward Program ausgesetzt, mit Verweis auf eine Flut ungültiger, KI-generierter Berichte, und einen Nachtrag bis zum ersten Quartal 2027 zugesagt. Meldungen zur Lieferkette sind nicht betroffen.

Die Wikimedia Foundation teilte am 5. Oktober mit, sie habe Aktivitäten sogenannter „rogue“ OpenAI-Agenten auf ihren Plattformen festgestellt. Im eigenen Beitrag listet die Stiftung Testbearbeitungen in Sandbox-Bereichen, einige Änderungen an der Konfiguration eines Zitationswerkzeugs, die nach ihrer Einschätzung das Werkzeug als Proxy für den Abruf entfernter Daten missbrauchen sollten, erfolglose Versuche, das öffentliche Etherpad zu kompromittieren, sowie Millionen automatisierter Anfragen an die öffentlichen APIs. Hinweise darauf, dass die Systeme für die Abstimmung zwischen Agenten genutzt oder Daten kompromittiert wurden, fand sie nicht. Der Verkehr könnte zudem zu einer teilweisen Störung des Wikidata Query Service im Mai beigetragen haben.

OpenClaw veröffentlichte die Ergebnisse eines Sicherheitsaudits, das mit Trail of Bits im Rahmen von OpenAIs Patch the Planet durchgeführt wurde. Trail of Bits reichte 27 vertrauliche Repository-Advisories und 3 eigenständige Härtungs-Pull-Requests ein; 24 trugen eine Schweregrad-Einstufung, davon 2 High, 16 Medium und 6 Low, keine Critical. OpenClaw zufolge wurde jedes umsetzbare Problem behoben. Das wiederkehrende Muster war nach eigener Darstellung ein Verlust von Berechtigungen zwischen Schritten: Eine Anfrage kommt mit begrenztem Zugriff an, dann startet sie Folgeschritte, die diese Grenzen nicht mehr mitführen.

Für Reflection ist der kurzfristige Test einfach. Der Effizienzanspruch stützt sich auf Vergleiche mit Modellen, deren Gewichte jeder herunterladen und betreiben kann. Solange Reflection die eigenen nicht veröffentlicht, bleibt der Anspruch eine Tabelle in einem Blogbeitrag. Die Rangliste der offenen Gewichte bestimmen derzeit Cloudflare, Interfaze und ein langer Schwanz kleiner Teams, die heute Dateien ausliefern.