Zum Hauptinhalt springen

Beam: Reflection AIs 501B Open-Weight-Coding-Modell

Reflection AIs Beam erreicht GLM 5.2 beim Reasoning mit 3–4x weniger Compute, liegt aber beim agentischen Coding hinter Kimi K3. So schlägt sich das Open-Weight-Modell.
Matt Crabtree
Matt Crabtree

Erstelle dein kostenloses Konto

Üben und Lernpfad deinen Fortschritt.

Weiter mit GoogleWenn du fortfährst, akzeptierst du unsere Nutzungsbedingungen, unsere Datenschutzrichtlinie und dass deine Daten in den USA gespeichert werden.

Bei Open-Weight-Veröffentlichungen hatten zuletzt chinesische Labs die Nase vorn: Die GLM-, Kimi-, Qwen- und DeepSeek-Reihen belegen die Top-Plätze bei Bewertungen zu agentischem Coding.

Reflection AIs Beam, angekündigt am 5. Oktober 2026, tritt mit einem klaren Anspruch an: die „westliche Open-Weight-Frontier“ vorantreiben und bei der Inferenz auf Effizienz statt auf maximale Rohleistung setzen.

In diesem Artikel zeige ich, was Reflection AIs Beam ist, welche Features im Arbeitsalltag zählen, wie es sich in Benchmarks gegen Kimi K3, DeepSeek V4.1 Flash und die GLM-5.x-Linie schlägt und was heute schon geht – und was noch nicht. Lies außerdem unseren Guide zu einem weiteren neuen Modell, Kolibri 1, sowie unsere Anleitungen zu Kimi K3 und DeepSeek V4.1 Flash vs Gemini 3.8 Flash.

TL;DR

  • Beam ist Reflection AIs erstes Open-Weight-Modell: ein Mixture-of-Experts-(MoE)-Modell mit 501 Milliarden Parametern, von denen pro erzeugtem Token nur 23 Milliarden aktiv sind.
  • Der USP ist Intelligenz pro Token, nicht Spitzenleistung: Reflection sagt, Beam erreicht GLM-5.2-Niveau im Reasoning und benötigt dabei 3- bis 4-mal weniger Inferenz-Compute.
  • Kimi K3 führt weiterhin bei der Rohleistung, und DeepSeek V4.1 Flash erzielt die Top-Scores auf einzelnen Benchmarks wie Terminal-Bench v2.1 und DeepSWE.
  • Gewichte sind für später im Oktober 2026 unter Apache 2.0 angekündigt – Self-Hosting, Quantisierung oder Fine-Tuning sind daher noch nicht möglich.

Was ist Reflection AIs Beam?

Beam ist ein spärliches Mixture-of-Experts-Modell mit 501 Milliarden Parametern von Reflection AI, entwickelt für Coding, Reasoning und agentische Workloads. Pro Token sind nur 23 Milliarden Parameter aktiv.

Es ist die erste Open-Weight-Veröffentlichung des Labs und der Auftakt zu einer geplanten Modellreihe.

Unter der Haube hat Beam 52 Layer, verteilt sein Wissen auf viele kleine, spezialisierte „Experten“ (pro Token laufen nur wenige) und kombiniert lokale mit globaler Aufmerksamkeit über den gesamten Input.

Die Sparsity ist das zentrale Argument.

Ein Modell der 2T-Klasse wie Qwen 3.8-Max aktiviert pro Token deutlich mehr Parameter – jeder generierte Token kostet mehr Rechenaufwand.

Reflections Wette: Ein aktiver Fußabdruck von 23B, konsequent mit Reinforcement Learning (RL) getrieben, kommt beim Coding und bei agentischen Aufgaben nah genug heran, dass sich der Kostenvorteil lohnt.

Beim Trainingsumfang hat Reflection angesetzt. Das Vortraining auf 23,8 Billionen Tokens dauerte weniger als 4 Wochen auf 6.144 NVIDIA GB300 GPUs; gegen Ende lag die Nutzlastauslastung des Clusters bei 92,3%, mit 9 Neustarts aus früheren Checkpoints.

Die RL-Phase lief separat 4 Wochen auf 10.500 GB300s. Ergebnis: über 100 Millionen Rollouts (vollständige Aufgabentwürfe) über rund 1 Million kuratierte Coding-, agentische und MINT-Aufgaben, ausgeführt und bewertet in etwa 1,3 Milliarden isolierten Sandbox-Umgebungen.

Reflection berichtet zudem, dass die Leistungsfähigkeit mit steigender RL-Rechenzeit weiter zunahm – ohne Plateau bis zum Laufende. Das ist die Aussage, die ich am liebsten extern getestet sähe, denn sie stützt die Ankündigung, dass bereits das nächste Modell der Reihe trainiert wird.

Reflection AI Beam Model Card

Die wichtigsten Beam-Features

Beam ist rein textbasiert, es gibt also keinen Bild- oder Audioinput.

Dafür bietet es eine Reihe von Steuerungsmöglichkeiten und Fähigkeiten, die gezielt auf den Einsatz in Coding-Agenten ausgerichtet sind.

Ein Reasoning-Regler pro Anfrage

Beam stellt einen Reasoning-Effort-Parameter bereit, mit dem du festlegst, wie viele „Denk-Tokens“ eine Aufgabe bekommt. Die API akzeptiert low, medium (Standard), high, xhigh und max, aber das Reasoning lässt sich nicht komplett deaktivieren.

Niedrigere Stufen begünstigen kurze Antworten; höhere erlauben längeres Nachdenken bei schwierigeren Problemen.

Der Regler ist ein direktes Ergebnis des Trainings.

Während des RL nutzte Reflection eine anpassbare Längenstrafe, die korrekte Lösungen belohnte und überflüssige Tokens dämpfte. Früh im Training stieg die Performance, während die Antworten sogar kürzer wurden.

Später, mit wachsender agentischer Kompetenz, wurden die Antworten wieder länger – und die zusätzlichen Tokens zahlten sich aus.

1-Million-Token-Kontext für ganze Repositories

Midtraining erweitert den effektiven Kontext von Beam auf 1 Million Tokens, trainiert auf strukturierten Code-Repositories, Langzeitaufgaben und Long-Form-Dokumenten.

Es gibt zwei Einschränkungen. RL-Rollouts liefen mit maximal 256K Tokens Kontext, Beam hat sein agentisches Verhalten also auf einem Viertel dieser Länge gelernt. Und die Beta-API begrenzt Anfragen derzeit auf 262.144 Tokens (Input plus Output), wobei der Output auf 131.072 Tokens limitiert ist.

Langer Kontext auf dem Papier und langer Kontext in der Praxis sind zwei Paar Schuhe. Beam erzielt 65,5 auf LongBench v2 (Qwen 3.8-Max: 66,3; GLM 5.2: 64,0) und 79,3 auf AA-LCR (Kimi K3: 88,7). Damit ist Beam für lange Inputs nützlich, aber nicht führend.

Agentische Fähigkeiten, die auf nie gelernte Aufgaben übertragen

Das interessanteste Ergebnis der Ankündigung hat nichts mit einer Bestenliste zu tun.

Während einer Trainingsphase zu Reasoning, Software Engineering und Terminal-Aufgaben – ohne Browsing-Aufgaben im RL-Mix – verbesserten sich Beams Browsing-Scores trotzdem.

Mit Webzugang fand das Modell eigenständig heraus, dass es andere Sprachmodelle abfragen und OCR-APIs nutzen kann, um Dokumente zu lesen, die es nicht direkt sieht.

Reflections Demos treiben das weiter: eine Live-U-Bahn-Karte für New York City aus MTA-Open-Data, ein 3D-p5.js-Freitfallspiel vollständig per Text gebaut und ein Gemma 4-Fine-Tuning-Notebook in OpenCode aus Unsloth-Dokumentation, das Gemmas Testgenauigkeit (held-out) um 66,5% steigerte.

Ein Generalisierungstest aus der Ankündigung ist besonders bemerkenswert, weil er kaum im Trainingskorpus gestanden haben dürfte.

Reflection rekonstruierte ein virales Rasterpuzzle, wenige Tage vor dem Launch auf X gepostet, und ließ Beam 16.200 Punkte eines festen 180x90-Weltgitters als Land oder Wasser klassifizieren. Beam lag bei 95,5% richtig – zwischen Opus 5 mit 92,5% und Fable 5 mit 97,8%.

Asynchrones RL mit bis zu einem Tag Verzögerung

Beam wurde mit asynchronem RL trainiert: Das Modell generiert weiter Rollouts, während Trainingsupdates parallel erfolgen, statt aufeinander zu warten. Ein langer Rollout kann daher Tokens mehrerer Modellversionen enthalten.

Reflection meldet stabiles Lernen, selbst wenn die älteste Probe eines Batches aus einer Modellversion stammte, die 107 Updates hinter der aktuellen lag – etwa einen Tag alt.

Die Infrastrukturdaten sind spannend, wenn du RL-Systeme baust:

  • Im Schnitt 110.000 gleichzeitige Rollouts, bis zu 170.000 parallele Sandboxen
  • Rund 12 Sekunden (Median), bis neue Gewichte die Inferenz-Server erreichen
  • 71 Inferenz-Incidents gehandhabt, ohne den Training-Job zu stoppen

Offene Gewichte unter Apache 2.0 – plus der umgebende Stack

Reflection will Beams Gewichte später im Oktober 2026 unter Apache 2.0 veröffentlichen – zusammen mit Technical Report, Model Card, Doku und Tooling zum Betrieb, zur Evaluation und zum Fine-Tuning.

Auch die internen Safety-Evaluierungen sollen open-source erscheinen – seltener als der Gewichts-Release selbst.

Apache 2.0 ist so freizügig wie kaum eine Lizenz: kommerzielle Nutzung, Weitergabe und Modifikation ohne Nutzer- oder Umsatzschwellen.

Das ist wichtig, weil Kimi K3 und DeepSeek V4.1 Flash die Erwartungen an Open-Modelle geprägt haben – eine restriktive Lizenz hätte Beam aus dem Rennen genommen.

Wie schlägt sich Beam in Benchmarks?

Beam landet ungefähr dort, wo GLM 5.2 in den meisten Evaluierungen steht – deutlich vor Inkling und Nemotron 3 Ultra, aber klar hinter Kimi K3, GLM 5.3 und DeepSeek V4.1 Flash bei den härtesten agentischen Coding-Aufgaben.

Reflection ist damit offen: Beams Vorteil liegt in der Effizienz, nicht in der Spitzenleistung.

Alle Zahlen unten stammen von Anbietern; Konkurrenzwerte hat Reflection aus Artificial Analysis und DataCurve übernommen.

Reflection beam-benchmarks-efficiency

Coding und agentische Workflows

Beams Headline-Zahl im Coding ist 80,9 auf SWE-bench Verified, gegenüber 77,6 für Inkling und 70,7 für Nemotron 3 Ultra.

SWE-bench Verified ist ein manuell geprüftes Set realer GitHub-Issues, bei denen ein Modell einen Fix schreiben muss, der die projektnahen Tests besteht – nach wie vor der erste Benchmark, auf den die meisten Praktiker schauen.

Anderswo fällt das Bild weniger freundlich aus.

Gegen die Modelle, zwischen denen du real wählen würdest, liegt Beam bei jedem agentischen Coding-Benchmark zurück, sofern Vergleichswerte vorliegen.

BenchmarkBeamGLM 5.2GLM 5.3Kimi K3DeepSeek V4.1 Flash
Terminal-Bench v2.180,181,088,288,390,6
DeepSWE v1.144,444,061,068,074,2
SWE-bench Pro v2-Hard77,2NR84,388,2NR
SWE Atlas Codebase QnA34,6NR61,068,0NR

NR = nicht berichtet.

Die Lücken bei DeepSWE und SWE Atlas sind groß.

DeepSWE v1.1 prüft mehrschrittige agentische Softwareentwicklung statt einzelner Fixes – ein Rückstand von 29,8 Punkten auf DeepSeek V4.1 Flash ist kein Rundungsfehler.

Auf SWE-bench Pro v1 schlägt Beams 65,5 immerhin GLM 5.2 mit 62,1 und liegt knapp unter Qwen 3.8-Max mit 67,7.

Reasoning und Wissensaufgaben

Auf Humanity's Last Exam (HLE) ohne Tools erreicht Beam 36,2 – gegenüber 40,5 für GLM 5.2, 42,3 für GLM 5.3, 43,6 für Qwen 3.8-Max und 46,9 für Kimi K3.

HLE besteht aus Expertenfragen, bei denen Suche und Auswendiglernen wenig helfen – hier punkten meist die größeren Modelle der Gruppe.

Im restlichen Reasoning-Set liegen die Werte dichter beieinander:

  • AIME 2026: Beam 97,8; Inkling 97,1; GLM 5.2 99,2
  • GPQA Diamond: Beam 90,5; GLM 5.3 91,7; Kimi K3 93,5
  • SciCode: Beam 49,7; Qwen 3.8-Max 52,1; Kimi K3 58,7
  • CritPt: Beam 15,6; GLM 5.3 19,1; Kimi K3 23,4

Fast alle Modelle liegen bei AIME nahe der Deckelung – es differenziert kaum noch. Ein 3-Punkte-Rückstand auf Kimi K3 bei GPQA Diamond entscheidet selten eine Produktivwahl.

Bei CritPt – Forschungsaufgaben in Physik – beißt der Unterschied: Kimi K3 liegt rund 50% über Beam.

Tool-Calling und Suche

Beams Tool-Calling-Ergebnisse sind am uneinheitlichsten.

Auf AutomationBench (public) erzielt es 37,0 – vor GLM 5.2 mit 26,2, aber hinter Kimi K3 mit 46,7 und DeepSeek V4.1 Flash mit 54,8. Auf MCP Atlas erreicht es 78,7 gegenüber 77,8 für GLM 5.2 und 84,5 für Qwen 3.8-Max.

Auf τ³-bench Banking kommt Beam auf 38,0 – gegenüber 37,1 bei GLM 5.2 und Kimi K3, während Qwen 3.8-Max mit 55,2 deutlich vorne liegt. Die Suche ist die schwächste Disziplin: 77,4 auf BrowseComp und 80,1 auf DeepSearchQA mit Kontextmanagement – gegenüber 91,2 und 95,0 bei Kimi K3. Wenn dein Agent im offenen Web lebt, ist das die Lücke, auf die es ankommt.

Inferenz-Effizienz

Bei der Inferenz-Effizienz will Reflection, dass du genau hinschaust.

Auf Reflections HLE-Effizienz-Chart erreicht Beam 35,3% bei geschätzten 0,82 PFLOP (Billiarden Gleitkommaoperationen) Compute pro Versuch, während Inkling rund 4,1 PFLOP für etwa 26% benötigt und Nemotron 3 Ultra etwa 1,9 PFLOP für rund 21%.

Reflections breitere Behauptung: Beam erreicht GLM-5.2-Niveau beim Advanced Reasoning mit 3- bis 4-mal weniger Inferenz-Compute – mit noch größerem Abstand zur 2T-Plus-Familie Qwen 3.8-Max.

Die Methode genau lesen: Compute wird als 2 × aktive Parameter × durchschnittliche Zahl generierter Tokens pro Versuch geschätzt. Kosten für die Prompt-Verarbeitung, zusätzlicher Attention-Overhead langer Kontexte und Serving-Overhead fehlen.

Es ist ein angenäherter Compute-Vergleich, kein gemessener Deployment-Kostenwert – und weil nur aktive Parameter zählen, begünstigt er naturgemäß spärliche Modelle wie Beam.

Wie wurde Beam aligned?

Reflection trainierte ein separates Safety-&-Alignment-Modell aus demselben Pretraining-Checkpoint und kombinierte es anschließend mit dem RL-Hauptmodell per Multi-Teacher On-Policy Distillation (MOPD), bei der ein Student-Modell gleichzeitig von beiden „Teacher“-Modellen lernt.

Die Alignment-Prinzipien sind in drei Ebenen organisiert:

  • Harte Regeln, die das Modell nicht brechen soll
  • Qualitäten, die es konsistent zeigen soll, z. B. das Eingestehen von Unsicherheit
  • Ein Standard-Interaktionsstil: direkt, gründlich und proaktiv

Für Safety-Training kam Deliberate Alignment zum Einsatz: Das Modell lernt, seine Safety-Policy vor der Antwort durchzudenken. Eine adversarielle Schleife erzeugte Angriffe gegen jeden Runden-Checkpoint; erfolgreiche Angriffe flossen in die nächste Runde des überwachten Fine-Tunings ein.

Reflection berichtet außerdem, es konnte vorhersagen, wie stark RL schwer messbare Verhaltensweisen verbessert (r = 0,79), verglichen mit 0,46 bei einem einfacheren Best-of-N-Baseline. Safety-Ergebnisse werden im Technical Report versprochen, derzeit aber nicht veröffentlicht.

Preis und Verfügbarkeit von Beam

Es gibt keinen veröffentlichten Preis. In der Entwicklerdoku von Reflection standen am 6. Oktober 2026 keine Tokenpreise – ein Kostenvergleich mit gehosteten Endpunkten wie Kimi K3 oder DeepSeek V4.1 Flash ist derzeit nicht möglich.

Der Zugang erfolgt über eine schrittweise geöffnete API-Beta via Warteliste.

Die dokumentierte Base-URL lautet https://api.reflection.ai/openai/v1. Sie ist in engem Sinne OpenAI-kompatibel: Chat Completions und Modellijsten sind unterstützt; Responses, Embeddings, Files und Batch nicht. Beta-Grenzen und Verhalten können sich ändern.

Die Distribution ist bisher dünn. Am 6. Oktober 2026 war Beam weder auf Ollama noch im OpenRouter-Katalog noch im von OpenCode genutzten models.dev gelistet; auf Hugging Face waren keine Gewichte.

Reflection kündigt an, zum Gewichts-Release mit Distributionspartnern und Open-Source-Harness-Integrationen zu starten.

So erhältst du Zugriff auf Reflection AIs Beam

Beams Gewichte sind noch nicht veröffentlicht.

Reflection hat einen Apache-2.0-Release für später im Oktober 2026 zugesagt – inklusive Gewichten, Technical Report, Model Card und Tools zum Betrieb, zur Evaluation und zum Fine-Tuning. Bis dahin kannst du es weder selbst hosten, noch quantisieren, den echten GPU-Speicherbedarf messen oder veröffentlichte Scores reproduzieren.

Was du heute tun kannst: Auf die Beta-Warteliste setzen lassen und die gehostete API nutzen.

Die Modell-ID in der Entwicklerdoku lautet Beam-501B-A23B. Da der Endpunkt Chat Completions spricht, funktioniert der offizielle OpenAI-Python-Client nach Anpassung der Base-URL.

from openai import OpenAI

client = OpenAI(
    base_url="https://api.reflection.ai/openai/v1",
    api_key="YOUR_REFLECTION_KEY",
)

response = client.chat.completions.create(
    model="Beam-501B-A23B",
    reasoning_effort="medium",  # low, medium, high, xhigh, or max
    messages=[{"role": "user", "content": "Port this module to the v2 payments API."}],
)
print(response.choices[0].message.content)

Wenn du das Muster sofort mit einem verfügbaren Modell üben willst, nutzt unser GPT-6 Sol API Tutorial denselben Client-Code – inklusive Tool-Berechtigungen und Kostentracking für eine agentische Migrationsaufgabe.

Fazit

Beam ist ein ernstzunehmender Open-Weight-Neuzugang, und der Effizienzfokus ist der ehrliche: Kimi K3 und DeepSeek V4.1 Flash schlagen es bei den agentischen Coding-Benchmarks, die am meisten zählen. Beams Argument muss daher „Kosten pro gelöster Aufgabe“ statt „Fähigkeit“ sein.

Ich würde noch nicht darauf aufbauen.

Ohne veröffentlichte Gewichte, Preise oder eine einzige unabhängige Reproduktion stammen alle Angaben vom trainierenden Lab – und der Compute-Vergleich lässt Prompt- und Serving-Kosten außen vor. Schau noch einmal vorbei, wenn die Apache-2.0-Gewichte da sind und Artificial Analysis eigene Zahlen veröffentlicht.

Wenn du dich bis dahin praktisch mit dem Open-Weight-Stack vertraut machen willst, ist unser AI Fundamentals Skill Track ein guter Startpunkt.

FAQs

Was ist Reflection AIs Beam-Modell?
Beam ist Reflection AIs erstes Open-Weight-Modell, angekündigt am 5. Oktober 2026. Es ist ein spärliches Mixture-of-Experts-Modell mit insgesamt 501 Milliarden Parametern und 23 Milliarden aktiven pro Token, vortrainiert auf 23,8 Billionen Tokens und mit über 100 Millionen RL-Rollouts feinabgestimmt. Es zielt auf Coding-, Reasoning- und agentische Workloads und ist textbasiert.
Wie schneidet Beam im Vergleich zu Kimi K3 und DeepSeek V4.1 Flash ab?
Beim agentischen Coding liegt Beam hinter beiden. Auf Terminal-Bench v2.1 erzielt es 80,1 gegenüber 88,3 bei Kimi K3 und 90,6 bei DeepSeek V4.1 Flash; auf DeepSWE v1.1 kommt es auf 44,4 gegenüber 68,0 bzw. 74,2. Reflections Argument ist Effizienz statt Spitzenleistung: Beam beansprucht GLM-5.2-ähnliches Reasoning mit 3- bis 4-mal weniger Inferenz-Compute.
Wo kann ich Beams Gewichte herunterladen?
Aktuell nirgends. Reflection AI will die Gewichte später im Oktober 2026 unter Apache 2.0 veröffentlichen – zusammen mit Technical Report, Model Card und Tooling. Am 6. Oktober 2026 waren keine Beam-Gewichte auf Hugging Face gelistet, und Beam war nicht im OpenRouter-Katalog.
Was kostet die Nutzung von Beam?
Es gibt keine veröffentlichten Tokenpreise. In Reflection AIs Entwicklerdoku standen am 6. Oktober 2026 weder Preislisten noch Modellpreise, daher sind Kostenvergleiche mit anderen offenen Modellen derzeit nicht möglich. Der Zugang läuft aktuell über eine frei zu joinende API-Beta-Warteliste.
Wie lautet Beams API-Modell-ID und Endpunkt?
Die Modell-ID in Reflection AIs Entwicklerdoku lautet Beam-501B-A23B, die Base-URL ist https://api.reflection.ai/openai/v1. Der Endpunkt unterstützt Chat Completions und Modellijsten, daher funktioniert der OpenAI-Python-Client mit angepasster Base-URL. Completions, Embeddings und Batches werden nicht unterstützt.
Matt Crabtree

Autor

Matt Crabtree

Autorin und Redakteurin im Bereich der Bildungstechnologie. Engagiert bei der Erforschung von Datentrends und begeistert davon, Data Science zu lernen.

Themen

Ähnlich