Reflection AI stellt Beam vor, ein Open-Weight-Modell mit 501 Milliarden Parametern

Reflection AI hat am 5. Oktober 2026 Beam vorgestellt, ein Open-Weight-Sprachmodell mit 501 Milliarden Parametern, von denen 23 Milliarden pro Token aktiv sind. Die Gewichte, eine Model Card und ein technischer Bericht erscheinen „noch in diesem Monat“ unter der Lizenz Apache 2.0, heißt es in der Ankündigung von Reflection. Das Unternehmen behauptet, Beam erreiche beim logischen Schließen das Niveau von GLM-5.2 und brauche dabei drei- bis viermal weniger Rechenleistung für die Inferenz. Wenn sich das bestätigt, bekommen Entwickler ein großes Coding-Modell ohne eigene Lizenzbedingungen.

Was Reflection veröffentlicht hat

Beam ist ein Mixture-of-Experts-Modell, kurz MoE. Ein MoE-Modell teilt seine Parameter auf viele kleinere „Experten“-Netze auf und nutzt für jedes Token nur einige davon. Deshalb speichert Beam 501 Milliarden Parameter, rechnet aber jeweils mit 23 Milliarden.

Reflection hat das Modell mit 23,8 Billionen Tokens aus Web-, öffentlichen und lizenzierten Daten trainiert. Das Kontextfenster lag anfangs bei 256.000 Tokens und wurde in einer späteren Trainingsphase auf 1 Million erweitert. Das Kontextfenster gibt an, wie viel Text das Modell auf einmal lesen kann.

Heute gibt es nur einen frühen Zugang über platform.reflection.ai. Die vollständigen Gewichte folgen später im Oktober unter Apache 2.0, einer freizügigen Lizenz, die Crypto Briefing „eine der freizügigsten Open-Source-Lizenzen“ nennt.

Die Benchmark-Ergebnisse

Reflection veröffentlichte Werte aus Coding-, Reasoning- und Agenten-Tests. Alle diese Zahlen stammen vom Unternehmen selbst. Crypto Briefing merkt an, dass unabhängige Tests warten müssen, bis die Gewichte öffentlich sind.

Benchmark	Was er testet	Beam
SWE-Bench Verified	Echte GitHub-Issues beheben	80,9
SWE-Bench Pro v1	Schwierigere Softwareaufgaben	65,5
Terminal Bench v2.1	Aufgaben auf der Kommandozeile	80,1
MCP Atlas	Tool-Aufrufe über MCP	78,7
BrowseComp (mit Kontextverwaltung)	Webrecherche	77,4
GPQA Diamond	Naturwissenschaftliche Fragen auf Graduiertenniveau	90,5
AIME 2026	Wettbewerbsmathematik	97,8
Humanity's Last Exam (ohne Tools)	Sehr schwere Expertenfragen	36,2

Die Vergleiche hängen davon ab, wer berichtet. Reflection sagt, Beam erziele vergleichbare Werte wie GLM-5.2 bei drei- bis viermal weniger Rechenleistung für die Inferenz. SiliconANGLE schreibt, Beam nähere sich Alibabas Qwen 3.8-Max an und liege hinter Anthropics Claude Fable 5.1. Crypto Briefing geht weiter und sagt, Beam übertreffe sowohl GLM-5.2 als auch Qwen 3.8-Max. Die Berichte widersprechen sich bei Qwen, deshalb sollten Sie diese Aussage als offen betrachten.

Wie Reflection das Modell trainiert hat

Der Trainingslauf war kurz und groß. Laut Reflection lief das Pretraining weniger als vier Wochen auf 6.144 Nvidia-GB300-GPUs, mit einem Goodput von 92,3 %. Goodput ist der Anteil der Zeit, den der Cluster mit nützlichem Training verbrachte statt mit der Erholung von Störungen.

Für das Reinforcement Learning, bei dem sich das Modell verbessert, indem es Aufgaben versucht und dafür bewertet wird, liefen 10.500 GB300-GPUs vier Wochen lang. SiliconANGLE nennt die Zahl 10.000. Laut Reflection liefen in dieser Phase 1,3 Milliarden Sandboxes und mehr als 100 Millionen Übungsversuche. Eine Sandbox ist eine isolierte Umgebung, in der das Modell Code sicher ausführen kann.

Reflection meldet außerdem eine gleichmäßige Auslastung seiner Experten. Der am stärksten genutzte Experte trug das 1,04-Fache der durchschnittlichen Last, die Arbeit war also fast gleichmäßig verteilt.

Wer hinter Beam steht

Die früheren Google-DeepMind-Forscher Misha Laskin und Ioannis Antonoglou gründeten Reflection im März 2024, wie SiliconANGLE und Crypto Briefing berichten. Laut Crypto Briefing hat das Unternehmen mehr als 4 Milliarden Dollar bei einer Pre-Money-Bewertung von 25 Milliarden Dollar eingesammelt. Zu den Geldgebern gehören Nvidia, Sequoia und Citigroup.

Was das für Entwickler bedeutet

Noch gibt es nichts zum Herunterladen, also planen Sie, statt zu migrieren. Melden Sie sich für das Early-Access-Programm an, wenn Sie Beam mit Ihren eigenen Coding-Aufgaben testen wollen, bevor die Gewichte erscheinen.

Rechnen Sie mit großer Hardware. Das MoE-Design senkt den Rechenaufwand pro Token, nicht den Speicherbedarf. Alle 501 Milliarden Parameter müssen trotzdem im Speicher liegen, das sind bei einem Byte pro Parameter etwa 500 GB. Als diese Seite im August über die offenen Gewichte von GLM-5.3 berichtete, brauchte dieses Modell mindestens acht High-End-GPUs. Rechnen Sie damit, dass auch Beam einen Multi-GPU-Server braucht oder einen gehosteten Anbieter.

Die Lizenz ist der klarste Vorteil. Apache 2.0 erlaubt die kommerzielle Nutzung ohne die eigenen Bedingungen, die GLM-5.3 mitbrachte. Lassen Sie die finale Lizenzdatei von Ihrer Rechtsabteilung prüfen, wenn die Gewichte erscheinen, denn heute gibt es nur die Ankündigung.

Führen Sie die Benchmarks zum Schluss selbst noch einmal aus. Reflection verglich Beam mit GLM-5.2, obwohl Z.ai inzwischen GLM-5.3 veröffentlicht hat. Testen Sie beide mit Ihren eigenen Repositories, bevor Sie wechseln, und achten Sie auf den technischen Bericht, der noch in diesem Monat erscheinen soll.