Reflection öffnet Beam: 501 Milliarden Parameter für Coding

Worum es geht

Reflection AI hat am 5. Oktober 2026 Beam vorgestellt, ein großes Mixture-of-Experts-Modell mit 501 Milliarden Gesamtparametern und 23 Milliarden Parametern, die pro Anfrage aktiv werden. Der Schwerpunkt liegt auf Programmierung und Aufgaben, bei denen ein Modell Werkzeuge nutzt und mehrere Schritte plant. Reflection kündigt an, die Gewichte noch im Oktober zu veröffentlichen. Bis dahin ist Beam zwar über die Plattform des Unternehmens zugänglich, aber noch nicht vollständig lokal prüfbar.

Die Meldung ist interessant, weil leistungsfähige Modelle mit offenen Gewichten zuletzt vor allem aus China kamen. Beam soll eine US-amerikanische Alternative bieten, die Entwickler selbst betreiben, anpassen und untersuchen können. Ob daraus wirklich ein offenes und praktisch nutzbares Modell wird, hängt jedoch von der endgültigen Lizenz, den veröffentlichten Dateien und unabhängigen Reproduktionen ab.

Was Beam tatsächlich macht

Beam nutzt eine Mixture-of-Experts-Architektur. Vereinfacht gesagt enthält das Modell viele spezialisierte Teilnetze, aktiviert für ein einzelnes Token aber nur einen kleinen Teil davon. Von 501 Milliarden Parametern arbeiten laut Reflection jeweils 23 Milliarden aktiv. Das senkt den Rechenaufwand gegenüber einem dichten Modell ähnlicher Gesamtgröße, beseitigt aber weder den großen Speicherbedarf noch die anspruchsvolle Infrastruktur.

Nach Angaben des Herstellers wurde Beam auf 23,8 Billionen Token vortrainiert. Das Training lief vier Wochen auf 10.500 Nvidia-GB300-GPUs. Reflection nennt Coding und mehrstufige Agentenaufgaben als Kerngebiete. Die Firma behauptet außerdem eine drei- bis viermal höhere Inferenz-Effizienz als GLM-5.2. Solche Herstellervergleiche sind nützlich für eine erste Einordnung, ersetzen aber keine unabhängigen Messungen mit identischer Hardware, Software und Ausgabequalität.

Warum das wichtig ist

Offene Gewichte geben Forschungsteams und Unternehmen mehr Kontrolle als eine ausschließlich gehostete API. Sie können ein Modell in einer eigenen Umgebung betreiben, Verhalten untersuchen, Schutzmaßnahmen ergänzen und es für bestimmte Aufgaben weitertrainieren. Das ist besonders relevant, wenn Quellcode, Kundendaten oder interne Dokumente die eigene Infrastruktur nicht verlassen sollen.

Beam verschiebt die Frage deshalb von „Welches API-Modell ist am besten?“ zu „Welche Organisation kann ein sehr großes Modell sinnvoll betreiben?“. 23 Milliarden aktive Parameter bedeuten nicht, dass nur 23 Milliarden Parameter gespeichert werden müssen. Für die vollständigen Gewichte, den Expertentransfer und brauchbare Geschwindigkeit bleibt sehr viel GPU-Speicher nötig. Kleinere Teams dürften Beam eher über Anbieter oder stark quantisierte Varianten nutzen als auf einem einzelnen Arbeitsplatzrechner.

Einfach erklärt

Beam ähnelt einer riesigen Werkstatt mit Hunderten Fachabteilungen. Für einen Auftrag werden nicht alle Beschäftigten gleichzeitig gerufen; ein Verteiler schickt jeden Arbeitsschritt an wenige passende Teams. Dadurch wird der Auftrag schneller bearbeitet, doch das gesamte Gebäude, alle Werkzeuge und alle Fachleute müssen trotzdem vorhanden sein.

Das erklärt den Unterschied zwischen Gesamtparametern und aktiven Parametern: Aktiv ist nur ein Ausschnitt, gespeichert und koordiniert werden muss das große Gesamtsystem.

Praktisches Beispiel

Ein Softwareunternehmen möchte täglich 2.000 automatische Codeprüfungen ausführen. Beam könnte für eine Prüfung zunächst den Fehler lokalisieren, Tests auswählen, einen Patch vorschlagen und die Änderung gegen Projektregeln prüfen. Weil pro Token 23 statt 501 Milliarden Parameter aktiv sind, kann die Rechenlast geringer ausfallen als bei einem gleich großen dichten Modell.

Für die Entscheidung reicht diese Zahl aber nicht. Das Team müsste mindestens Durchsatz, Antwortzeit, GPU-Speicher, Stromkosten und die Zahl korrekt gelöster eigener Aufgaben messen. Liefert Beam bei 2.000 Prüfungen zwar gute Vorschläge, benötigt aber eine teure Mehr-GPU-Installation, kann ein kleineres Modell wirtschaftlicher sein.

Einordnung und Grenzen

• Die Gewichte waren bei der Ankündigung noch nicht allgemein veröffentlicht. Lizenz, Dateiumfang und tatsächliche lokale Nutzbarkeit müssen nach dem Release geprüft werden.
• Benchmarks und Effizienzangaben stammen zunächst vom Hersteller. Unabhängige Tests können bei anderer Hardware, Quantisierung oder längeren Kontexten deutlich abweichen.
• Offene Gewichte machen ein Modell nicht automatisch sicher. Tool-Zugriffe, Geheimnisse, Netzwerkrechte und ausgeführter Code brauchen weiterhin Sandboxing, Protokollierung und menschliche Freigaben.

Beam ist deshalb vorerst ein ernst zu nehmender Kandidat, aber noch kein bewiesener Sieger. Die spannendste Prüfung beginnt erst, wenn externe Teams dieselben Gewichte herunterladen und unter realen Bedingungen testen können.

SEO- und GEO-Schlüsselbegriffe

Reflection AI, Beam, 501B, 23B aktive Parameter, Mixture of Experts, offene Gewichte, Coding-Modell, KI-Agenten, Nvidia GB300, lokale KI, Modell-Benchmarks