Reflection AI kündigt offenes Modell Beam mit 501 Milliarden Parametern an
Das US-Start-up Reflection AI hat am 5. Oktober 2026 Beam vorgestellt, sein erstes Sprachmodell. Es hat 501 Milliarden ParameterDie im Training gelernten „Stellschrauben“ eines Modells (gezählt in Milliarden). Mehr Parameter heißt grob mehr Kapazität, aber auch mehr Rechen- und Speicherbedarf – und sagt allein wenig über die Qualität.Mehr im Wissen →, von denen je TokenDie kleinste Verarbeitungseinheit eines Sprachmodells – ein Wortstück, kein ganzes Wort. Faustregel: rund 1.000 Tokens entsprechen grob 750 deutschen Wörtern. Preise und Kontextlängen werden in Tokens gerechnet.Mehr im Wissen → 23 Milliarden rechnen. Die Gewichte sollen noch im Oktober unter Apache 2.0 erscheinen; bis dahin gibt es das Modell nur über eine Warteliste.
✓ Aussagen gegen die Quellen geprüft · 9. Oktober 2026
Beam ist ein MoE (Mixture of Experts)Architektur, bei der je Anfrage nur ein Teil des Modells („Experten“) aktiv wird. So hat das Modell sehr viele Gesamt-Parameter, rechnet aber nur mit wenigen aktiven – das spart Rechenzeit.Mehr im Wissen →-Modell und auf Programmierung und Agenten-Aufgaben ausgelegt. Laut Reflection wurde es in knapp vier Wochen auf 6.144 Nvidia-GB300-Grafikprozessoren mit 23,8 Billionen Token vortrainiert und danach vier Wochen lang auf 10.500 GB300 mit Reinforcement Learning nachtrainiert, also durch Belohnung erfolgreicher Lösungswege. Das Modell verarbeitet nur Text, sein KontextfensterDie maximale Textmenge (in Tokens), die ein Modell pro Anfrage gleichzeitig „im Blick“ hat – Eingabe plus bisheriger Verlauf. Ist es voll, fällt Älteres aus dem Kontext.Mehr im Wissen → fasst eine Million Token.
Alle Leistungswerte stammen von Reflection selbst. Im SWE-benchCoding-Benchmark, der Modelle echte GitHub-Issues in realen Repositories lösen lässt; gewertet wird, ob der erzeugte Patch die Tests besteht. Verbreitet, aber zunehmend durch Trainings-Kontamination belastet.Mehr im Wissen → Verified nennt das Unternehmen 80,9 Prozent, im Terminal-BenchAusführungsbasierter Benchmark (0–100 %): das Modell löst echte Shell-/Terminal-Aufgaben in einer Sandbox, gewertet wird, ob das Ergebnis wirklich funktioniert. Dadurch kontaminationsärmer als reine Wissensquizze.Mehr im Wissen → 2.1 80,1 Prozent. Laut derselben Tabelle kommt GLM 5.2 von Zhipu dort auf 81,0 Prozent und Kimi K3 auf 88,3. Reflection wirbt deshalb mit Effizienz: Bei schwierigen Denkaufgaben erreiche Beam die Werte von GLM 5.2 mit drei- bis viermal weniger Rechenaufwand. Am 8. Oktober hat Reflection die Tabelle überarbeitet.
Eine unabhängige Messung fehlt noch. Artificial Analysis hat laut VKTR Zugang erhalten und testet das Modell, führte es am 9. Oktober aber noch nicht in seiner Rangliste. Reflection wurde von früheren Google-DeepMind-Forschern gegründet, hat 4,6 Milliarden Dollar eingesammelt und wurde zuletzt mit 25 Milliarden Dollar bewertet; zu den Geldgebern zählen Nvidia und Sequoia.