Reflections Beam steigt in das Rennen um offene Gewichte ein, doch im Dossier fehlt ein neues Videomodell

Die neueste Veröffentlichung im Dossier ist kein Videogenerator. Der Blogbeitrag von Reflection vom 5. Oktober beschreibt Beam als erstes Modell des Unternehmens mit offenen Gewichten: ein spärlich aktiviertes Mixture-of-Experts-Design mit 501.000.000.000 Gesamtparametern und 23.000.000.000 aktiven Parametern, trainiert für Programmierung, Schlussfolgern und agentische Aufgaben.

Die Gewichte sind noch nicht draußen. Reflection erklärt, Beam durchlaufe derzeit die abschließenden Red-Team-Tests und Evaluierungen; Gewichte, technischer Bericht, Model Card und Entwicklerartefakte sollen später im Oktober folgen. Diese Lücke ist wichtig für alle, die in dieser Woche nach einem Start eines KI-Videogenerators suchen. Das Dossier enthält keine datierte Ankündigung eines neuen Text-zu-Video- oder Bild-zu-Video-Modells aus den letzten drei Tagen. Die Videogenerierungs-Einträge, die es enthält, sind älter: ein arXiv-Papier zur optischen Deepfake-Erkennung, im Mai eingereicht, ein Kuaishou-Eintrag vom 29. September, der nur in der Schlagzeilenliste auftaucht, und eine Reihe undatierter oder außerhalb des Zeitfensters liegender Produktbeiträge. Keiner davon ist eine frische Veröffentlichung.

Was das Dossier enthält, ist ein Bündel von Modellstarts und Agenten-Werkzeugen vom 5. Oktober. Das meiste ist klein, günstig und spezialisiert. Liquid AI stellte d1 vor, ein Entscheidungsmodell, das Text und Bilder verarbeitet und Wahrscheinlichkeiten zurückgibt, statt Token zu erzeugen. Interfaze veröffentlichte ein Modell mit offenen Gewichten, das aus einem Schlussfolgerungskern plus Spezialkomponenten besteht. Und GitHub füllte sich mit Programmieragenten, die um ein bestehendes Modell herum sitzen, statt es zu ersetzen.

Entscheidungsmodelle, keine Videomodelle

Liquid AIs d1 ist das klarste Beispiel für den Trend. Das Unternehmen gibt an, eine Textentscheidung dauere 200 bis 300 ms, weil das Modell die Eingabe in einem einzigen Vorwärtsdurchlauf liest und Wahrscheinlichkeiten zurückgibt, ohne Token zu erzeugen. Es testete d1 gegen GPT-6.1 Sol und Claude Opus 5.5 in sechs Anwendungen, von der Filterung von Support-Tickets bis zur Prüfung von Leiterplatten, und erklärt, d1 erreiche oder übertreffe GPT-6.1 Sol in vier davon bei 19- bis 200-fach geringeren Kosten.

Das sind Liquid eigene Zahlen, veröffentlicht im Startbeitrag. Die Aussage zur Bildverarbeitung ist die interessante. Liquid erklärt, d1 sei nie für industrielle Prüfung trainiert worden, habe aber gute und defekte Teile im öffentlichen VisA-Datensatz mit 85 bis 97 % Genauigkeit sortiert, bei Leiterplatten, Kerzen, Cashewnüssen und Kaugummi. Außerdem meldet das Unternehmen, ein zusätzlicher Bildschirm habe den Tetris-Score von 70 auf 81 geräumte Zeilen gehoben, und d1 habe 12 von 12 Wordle-Partien in durchschnittlich 3,8 Versuchen gelöst. Eine unabhängige Überprüfung liegt im Dossier nicht vor, die Zahlen stammen also vom Anbieter selbst.

Interfaze wählt einen anderen Weg zum selben Kostenargument. Laut seiner Modellseite ist Interfaze 1.1 Lite eine Mischung aus Architekturen: ein Bild-Sprache-Kern für Schlussfolgerungen, der Antworten plant und zusammensetzt, plus Spezialisten für Dokumentenlesen, Liniengeometrie, Layout, Sprache, Sprechertrennung, Segmentierung, Zeitreihenprognose und Sicherheitsklassifikation. Das Ganze läuft laut Unternehmen auf einer einzigen 80-GB-GPU ohne externe Dienste.

Die Benchmark-Tabelle des Unternehmens führt das Modell mit 85,9 auf GPQA Diamond, 87,8 auf MMMLU, 73,2 auf MMMU-Pro und 83,8 auf olmOCR-Bench, gegen 92,4, 90,9, 71,1 und 85,7 für Interfazes eigenen Vergleichswert für GPT-5.4-Mini. Interfaze nennt außerdem eine 95-minütige Aufnahme, die in etwa 90 Sekunden transkribiert wird, und strukturierte Ausgaben, die auf ein vorgegebenes JSON-Schema beschränkt sind. Auch das sind die Zahlen des Herausgebers.

Agenten, die um das große Modell herumrouten

Bei den Programmieragenten vom 5. Oktober geht es darum, mehr aus Modellen herauszuholen, die es schon gibt. Jeff-Code, ein Fork von Mario Zechners Pi-Agent, schiebt ein Entscheidungsmodell namens Jeff mit 800.000.000 Parametern in die Schleife um Qwen 3.8-27B mit 27.000.000.000 Parametern. Jeff trifft zwei Aufrufe von je etwa 0,2 Sekunden: ob es den nächsten Schritt selbst gehen kann und ob Qwen in diesem Zug hart nachdenken muss. Schreiben und Bearbeiten von Dateien bleibt bei Qwen.

Die Auswertung im Repository meldet eine Erfolgsquote von 62,4 % für Jeff-Code gegen 62,8 % für Qwen allein, eine gepaarte Differenz von minus 0,2 Punkten mit einem 95-%-Intervall von minus 2,6 bis plus 2,1 über 1.242 gepaarte Aufgaben. Die Zeit pro Aufgabe lag im Mittel bei 0,68-fach, der Median bei 0,70-fach. Die Gesamtzeit über alle Aufgaben sank weniger, auf 0,86-fach, weil Jeff-Code bei etwa 5 % der Aufgaben mehr als 30 Minuten länger läuft als Qwen allein. Der Autor meldet außerdem, dass das Abschalten des Nachdenkens in jedem Zug noch schneller ist, aber 7,6 Punkte kostet.

Reika setzt auf die Gegenwette: eine Kommandozeile für Programmieragenten, die zuerst für kleine lokale Modelle im Bereich von 8.000.000.000 bis 35.000.000.000 Parametern gedacht ist, oft mit Q2- bis Q4-Quantisierung bei einem Kontextfenster von 32.000 Token. Die veröffentlichten Befunde sind ungewöhnlich offen. Ein Rewrite mitten im Kontext verarbeitete 8.453 Token Prompt neu, was der Autor mit 7,9 Minuten Prefill misst, während ein Anhängen in derselben Sitzung 25 Token und 3,5 Sekunden kostete. Das Werkzeug ist Pre-1.0, und sein Autor warnt, dass sich Befehle und Verhalten zwischen Versionen ändern können.

Die Kontextverwaltung des Harness kostete mehr als das Modell.

Keines der beiden Projekte ist die Veröffentlichung eines Frontier-Modells, und keines behauptet das. Sie zeigen, wohin ein großer Teil der Ingenieursarbeit fließt: nicht in größere Generatoren, sondern in günstigeres Routing, kleinere Entscheidungsschichten und straffere Kontextbehandlung um Modelle herum, die bereits funktionieren.

Infrastruktur und das ältere Material

Zwei weitere Einträge vom 5. Oktober runden das Bild ab. Der Windows Developer Blog von Microsoft schreibt in einem Beitrag vom 29. September, der am 5. Oktober im Dossier auftauchte, WSL-Container seien jetzt allgemein verfügbar, mit einer wslc.exe-Kommandozeile, einer Container-API für native Windows-Apps und einer Ausweitung von Intune und Defender for Endpoint auf Container-Workflows. Getrennt davon lieferte der mold-Linker am 5. Oktober Version 3.0.0 aus, von C++ nach Rust neu geschrieben; das Projekt erklärt, es habe die Kompatibilität geprüft, indem es alle Gentoo-Pakete baute, und keine Regressionen gefunden.

Das Material zur Videogenerierung im Dossier ist dünn und größtenteils veraltet. Ein arXiv-Papier von Parnian Ghapandar Kashani, Shiqi Chen und Aydogan Ozcan, am 19. Mai eingereicht und in eLight erschienen, beschreibt einen hybriden optisch-digitalen Deepfake-Detektor, der 15 oder mehr Videostreams in einem einzigen optischen Durchgang verarbeitete und auf Celeb-DF 97,79 % durchschnittliche Genauigkeit erreichte. Das ist Erkennung, nicht Generierung. Der Block mit den jüngsten Schlagzeilen erwähnt, dass KuaiShous Kling-Abspaltung am 29. September ein neues Modell vorstellte, doch das Dossier liefert nur eine Schlagzeile, ohne Zahlen oder Unternehmensaussage, mit der sich arbeiten ließe.

Reflections Beam ist die größte Modellankündigung im Dossier, und seine Benchmark-Tabelle ist die ausführlichste. Auf SWE Bench Pro v2-Hard nennt sie 77,2 gegen 84,3 für GLM 5.3 und 88,2 für Kimi K3. Auf Terminal Bench v2.1 nennt sie 80,1 gegen 88,2 und 88,3. Auf AIME 2026 nennt sie 97,8, knapp unter GLM 5.2 mit 99,2. Reflection erklärt, Beam sei wettbewerbsfähig mit größeren offenen Modellen und nähere sich Qwen 3.8-Max bei Programmier- und agentischen Aufgaben, während sein Vorteil in der Inferenzeffizienz liege: vergleichbare Schlussfolgerungswerte wie GLM-5.2 bei 3- bis 4-fach geringerem Inferenzaufwand.

Die Trainingszahlen sind konkret: 23.800.000.000.000 Token Vorbereitungsdaten und ein Lauf mit bestärkendem Lernen, der über 100.000.000 Rollouts auf 10.500 NVIDIA GB300 GPUs über vier Wochen erzeugte. Reflection erklärt, die Gewichte würden diesen Monat folgen. Bis dahin ist jede Beam-Zahl eine Aussage des Unternehmens, das das Modell gebaut hat, und dasselbe gilt für d1, Interfaze und die Agenten-Benchmarks oben.

Wer in dieser Woche nach einer Veröffentlichung zur Videogenerierung sucht, bekommt eine ehrliche Antwort: Das Dossier enthält keine. Die nächstgelegenen datierten Einträge sind älter oder nur Schlagzeilen. Die frischesten und am besten belegten Nachrichten vom 5. Oktober handeln von Modellen, die entscheiden, routen und transkribieren, nicht von Modellen, die Bewegung rendern.