Fragen zu Beam, beantwortet

Beam ist ein großes Sprachmodell von Reflection AI, angekündigt am October 5, 2026. Es ist ein sparsames Mixture-of-Experts-Modell mit insgesamt 501 Milliarden Parametern und 23 Milliarden aktiven Parametern pro Token, entwickelt für Programmierung, Schlussfolgern und agentenbasierte Aufgaben. Es ist das erste Open-Weight-Modell von Reflection.

Reflection AI, ein 2024 von Misha Laskin (CEO) und Ioannis Antonoglou gegründetes Labor in New York. Beide waren zuvor bei Google DeepMind tätig. Zu den Investoren zählen Nvidia, Sequoia und Citigroup.

Beam ist ein Open-Weight-Modell. Reflection zufolge werden die Gewichte unter der Apache 2.0-Lizenz veröffentlicht, die kommerzielle Nutzung, Änderung und Weiterverbreitung erlaubt. Die Trainingsdaten sind nicht offen: Ein Teil stammt aus proprietären, lizenzierten Datensätzen.

Reflection zufolge sollen sie „später in diesem Monat“ veröffentlicht werden, also im October 2026, zusammen mit einem technischen Bericht, einer Modellkarte und Tools zum Ausführen, Evaluieren und Fine-Tuning. Ein genaues Datum wurde nicht genannt. Unser Release-Tracker zeigt den aktuellen Stand.

Trag dich auf die Warteliste für die Beta-API von Reflection ein. Zugelassene Nutzer erhalten einen OpenAI-kompatiblen Endpunkt unter https://api.reflection.ai/openai/v1 mit der Modell-ID Beam-501B-A23B. Sobald die Gewichte veröffentlicht sind, kannst du das Modell auch selbst oder über Hosting-Anbieter ausführen.

Die Gewichte können kostenlos heruntergeladen und unter Apache 2.0 genutzt werden. Der Betrieb eines 501B-Modells ist jedoch nicht kostenlos: Du zahlst für die GPUs oder einen Hosting-Anbieter. Reflection hat noch keine Preise für seine API veröffentlicht.

Offizielle Anforderungen gibt es noch nicht. Unserer Schätzung nach benötigen allein die Gewichte etwa 1 TB in BF16, etwa 500 GB in FP8 und etwa 250 GB bei 4 Bit, zuzüglich Speicher für den KV-Cache. Dafür ist ein Server mit mehreren GPUs nötig; auf einem typischen Laptop oder einer einzelnen Consumer-GPU läuft das Modell nicht.

Bei den meisten veröffentlichten Ergebnissen nicht. Im Vergleich zu DeepSeek V4.1 Flash liegt Beam bei CritPt und dem AA Omniscience-Index vorn, aber bei den anderen sieben gemeinsamen Benchmarks zurück, darunter Terminal-Bench, DeepSWE, HLE und AutomationBench. Reflection hebt vor allem die Effizienz und den US-amerikanischen Ursprung des Open-Weight-Modells hervor – nicht einen klaren Sieg in allen Bereichen.

Nein. In der eigenen Tabelle von Reflection liegt Kimi K3 bei 13 der 14 Benchmarks vorn, über die beide Modelle Ergebnisse veröffentlicht haben. Nur bei τ³ banking liegt Beam vorne (38.0 gegenüber 37.1). Reflection zufolge liegt der Vorteil von Beam gegenüber Modellen wie Kimi K3 in der Inferenz-Effizienz.

Softwareentwicklung und agentenbasierte Programmierung. Das Modell erreicht 80.9 bei SWE-Bench Verified, 78.0 bei SWE-Bench Multilingual und 80.1 bei Terminal-Bench v2.1. Außerdem kann es Tools nutzen, im Web recherchieren und bei langen, mehrstufigen Aufgaben andere Dienste aufrufen.

Nein. Beam verarbeitet nur Text. Andere Datentypen kann das Modell nur verarbeiten, wenn sie in Text umgewandelt werden, zum Beispiel per OCR.

Die Beta-API gibt 256K Tokens mit bis zu 128K Ausgabetokens an, und Reflection weist darauf hin, dass sich dies während der Beta ändern kann. In der Ankündigung heißt es, dass Midtraining das effektive Kontextfenster auf 1 Million Tokens erweitert hat.

The Wall Street Journal berichtete im März 2026, dass einige Investoren diese Formulierung verwendeten. Wie DeepSeek konzentriert sich Reflection auf effiziente, offen veröffentlichte Modelle. Anders als DeepSeek ist Reflection ein US-amerikanisches Unternehmen – relevant für Käufer, die nicht von chinesischen Modellen abhängig sein möchten.

Noch nicht, Stand des Datums oben in unserem Release-Tracker. Reflection plant, die offenen Gewichte über Vertriebspartner und Integrationen mit Open-Source-Bibliotheken bereitzustellen.

Nein. ReflectionBeam ist ein unabhängiger Leitfaden. Wir sind nicht mit Reflection AI verbunden. Zu jeder von uns veröffentlichten Zahl verlinken wir auf offizielle Quellen.