Ein westlicher Herausforderer betritt das Rennen um offene Modelle.
Das von Nvidia unterstützte Unternehmen Reflection AI fordert chinesische Open-Weight-Modelle mit einem Konzept heraus, das darauf abzielt, den für Programmierung in Unternehmen und KI-Agenten erforderlichen Rechenaufwand zu reduzieren.
Reflection AI, ein 2024 von den ehemaligen Google-D---DeepMind-Forschern Misha Laskin und Ioannis Antonoglou gegründetes Labor mit Sitz in Brooklyn, kündigte Beam am 5. Oktober an. Das System mit 501 Milliarden Parametern ist das erste Open-Weight-Modell des Unternehmens, das speziell dafür entwickelt wurde, Programmieraufgaben zu automatisieren, mehrstufiges logisches Schlussfolgern zu bewältigen und autonome Software-Agenten zu betreiben.
Konkurrenz für chinesische Open-Weight-Modelle
Beam tritt in ein Ökosystem ein, das stark von chinesischen Entwicklern dominiert wird. Andreessen Horowitz-Partner Martin Casado schätzt, dass 80 % der Entwickler weltweit quelloffene KI-Tools verwenden, die mit chinesischen Modellen entwickelt wurden. Die Cloud-Plattform Vercel berichtete, dass Open-Weight-Architekturen im August 2026 56 % der über ihr AI Gateway geleiteten Tokens verarbeiteten – ein deutlicher Anstieg gegenüber gerade einmal 7 % im Dezember 2025. Systeme von DeepSeek, Moonshot AI, Alibaba und Zhipu AI (Z.ai) trieben diesen Anstieg voran.
Diese Dominanz hat in Washington Alarme hinsichtlich der nationalen Sicherheit ausgelöst. US-Finanzminister Scott Bessent warnte den Kongress im vergangenen Monat davor, eine kleine Gruppe geschlossener Labore den heimischen Markt dominieren zu lassen, während ausländische offene Modelle die Infrastruktur von Unternehmen ausfüllen.
Reflection positioniert Beam als souveräne Alternative für Unternehmen, die vollständige Datenhoheit benötigen. „Die einzige Möglichkeit, Intelligenz zu besitzen, besteht definitionsgemäß darin, dass sie offen ist“, sagte Laskin im Sources Podcast.
Sparse Architektur und Training im großen Maßstab
Beam arbeitet als sparsames Mixture-of-Experts-Modell. Obwohl es insgesamt 501 Milliarden Parameter umfasst, leitet es Aufgaben durch spezialisierte interne Netzwerke und aktiviert pro Token nur 23 Milliarden Parameter. Zum Vergleich: GLM-5.2 von Z.ai aktiviert 40 Milliarden von 744 Milliarden Parametern.
In der Pretraining-Phase wurden innerhalb von weniger als vier Wochen 23,8 Billionen Tokens auf 6.144 Nvidia-GB300-NVL72-GPUs verarbeitet. Anschließend führte Reflection eine intensive Reinforcement-Learning-Kampagne mit 10.500 Nvidia-GB300-GPUs durch und erzeugte mehr als 100 Millionen Rollouts über 1,3 Milliarden Evaluierungs-Sandboxes hinweg.
Um die Entwicklung aufrechtzuerhalten, hat Reflection 4,7 Milliarden US-Dollar eingesammelt und dabei eine Bewertung von 25 Milliarden US-Dollar erreicht – unterstützt durch eine Investition von Nvidia in Höhe von 800 Millionen US-Dollar. Im Sommer sicherte sich das Startup Rechenvereinbarungen mit SpaceX und Nebius im Wert von mehr als 7 Milliarden US-Dollar, um bis 2029 auf Nvidia-GB300-Cluster zugreifen zu können.
Das Modell wird derzeit einem Red-Teaming unterzogen und soll noch in diesem Monat unter einer Apache-2.0-Lizenz öffentlich veröffentlicht werden.
Die Analyse von eWeek: Geringerer Rechenaufwand bedeutet nicht automatisch niedrigere Bereitstellungskosten
Statt eine klare Dominanz bei Standard-Benchmarks zu belegen, zeigen die von Reflection veröffentlichten Evaluierungszahlen einen strategischen Zielkonflikt: Spitzenwerte bei den Fähigkeiten werden gegen eine drastisch höhere Inferenz-Effizienz eingetauscht.
Bei anspruchsvollen agentischen Benchmarks liegt Beam hinter führenden chinesischen Modellen. Bei DeepSWE v1.1 erreichte Beam einen Wert von 44,4 und lag damit deutlich hinter Qwen3.8-Max von Alibaba mit 51,0, Kimi K3 von Moonshot mit 68,0 und DeepSeek V4.1 Flash mit 74,2. Ähnlich sah es beim Terminal-Bench 2.1 aus: Beam erreichte 80,1, verglichen mit 86,6 für Qwen3.8-Max, 88,3 für Kimi K3 und 90,6 für DeepSeek.
Der architektonische Vorsprung von Beam liegt jedoch im Rechenverbrauch. Reflection berichtet, dass Beam bei der Inferenz mit GLM-5.2 gleichwertige Ergebnisse erzielt und dabei drei- bis viermal weniger Rechenleistung benötigt. Das Startup räumt allerdings ein, dass diese Kennzahlen die Generierungs-FLOPs annähern, ohne das Prompt-Prefill oder den betrieblichen Aufwand für die Bereitstellung einzubeziehen.
Für Teams in Unternehmen könnte Beam ein weiteres Modell sein, das für Programmier- und Agentenaufgaben evaluiert werden sollte. Käufer sollten die Kosten pro erfolgreich abgeschlossener Aufgabe, die Latenz, die Zuverlässigkeit und die Hosting-Anforderungen vergleichen, bevor sie davon ausgehen, dass Recheneffizienz ihre Rechnungen senkt. Offene Gewichte und eine Entwicklung in den USA allein belegen weder Sicherheit noch Erschwinglichkeit.
Weiterlesen: An einem praxisnahen Beispiel dafür, wie sich Datenkontrolle und Bereitstellungskosten in Einklang bringen lassen, erfahren Sie, wie Latham & Watkins private Nvidia-Infrastruktur gemeinsam mit cloudbasierten KI-Diensten einsetzt.