Beam

Überblick

Beam ist das erste Sprachmodell von Reflection AI, einem 2024 von ehemaligen Google-DeepMind-Forschern gegründeten US-Labor. Es handelt sich um ein sparses Mixture-of-Experts-Modell mit 501,3B Parametern gesamt und 23,4B aktiven Parametern pro Token, ausgelegt auf agentisches Coding, Tool-Nutzung (inklusive MCP) und mathematisch-naturwissenschaftliches Reasoning. Angekündigt wurde Beam am 05.10.2026 als Preview mit API-Warteliste; die offenen Gewichte unter Apache-2.0 sowie die allgemeine Verfügbarkeit folgten am 16.10.2026.

Reflection stellt Beam ausdrücklich als US-Alternative zu den großen chinesischen Open-Weight-Modellen auf. Artificial Analysis führt es im Intelligence Index v4.3.2 mit 30 Punkten und nach eigener Einordnung auf Platz 2 der US-Modelle mit offenen Gewichten.

Use Cases

• Agentisches Software-Engineering: Bugfixes, Repo-weite Änderungen und Terminal-Arbeit in Agent-Harnesses
• Tool- und MCP-gestützte Automatisierung mit mehrstufigen Funktionsaufrufen
• Lange Kontexte (Codebasen, Dokumentensammlungen) bis 1M Token
• Self-Hosting eines großen Modells mit permissiver Lizenz, wenn Daten das eigene Rechenzentrum nicht verlassen sollen

Stärken & Grenzen

• Stark: Lizenz. Apache-2.0 ohne Zusatzbedingungen ist bei Modellen dieser Größe selten und vereinfacht den kommerziellen Einsatz deutlich.
• Stark: Token-Effizienz. Reflection gibt rund ein Drittel der Reasoning-Token vergleichbarer offener Modelle an; Artificial Analysis bestätigt die Tendenz mit etwa 26.000 Ausgabetoken je Index-Aufgabe gegenüber rund 52.000 bei einem vergleichbar starken Konkurrenzmodell.
• Stark: Herstellerzahlen im Coding: SWE-bench Verified 81,6 %, Terminal-Bench v2.1 80,1 %, SWE-bench Multilingual 78,3 % (BF16).
• Grenze: Die unabhängige Messung fällt nüchterner aus. Bei Artificial Analysis erreicht Beam auf Terminal-Bench 4.0 nur 3 % – ein deutlicher Abstand zur Herstellerangabe für die (andere) Version 2.1. Vor einem agentischen Produktiveinsatz sind eigene Tests im eigenen Harness nötig.
• Grenze: AA-Omniscience zeigt eine Halluzinationsrate von 47 % bei 33 % Trefferquote (Index 1,5 bzw. 2). Für wissensintensive Antworten ohne Retrieval ist Beam damit nur eingeschränkt geeignet.
• Grenze: Reines Text-zu-Text-Modell, primär für Englisch entwickelt. Belastbare Angaben zur Qualität in Deutsch fehlen.
• Grenze: Lokal nur auf Server-Hardware realistisch – selbst die FP8-Variante belegt einen vollen Knoten mit acht H100/H200, NVFP4 setzt B200 voraus.

Praxis-Erfahrung

• Der Chat-Template (modifiziertes Harmony-Format) belegt Tool-Definitionen, Tool-Aufrufe mit XML-Parametern, eine eigene tool-Rolle sowie getrennte analysis- und final-Kanäle für Reasoning und Antwort.
• Die Reasoning-Tiefe ist über reasoning_effort steuerbar: minimal (8), low (32), medium (64), high (128), xhigh (256) und max (512) oder ein Zahlenwert; Standard ist max. Mit welcher Stufe die Benchmarks gemessen wurden, nennt Reflection nicht – die Scores stehen deshalb ohne Stufenangabe in der Tabelle.
• Empfohlene Sampling-Startwerte laut AWS: Temperatur 1,0, top-p 0,7. Die Herstellerbenchmarks liefen mit Temperatur 0,7 und top-p 0,99.
• Artificial Analysis misst im Median über vier Anbieter rund 228 Token/s und 1,3 s bis zum ersten Token.
• Eigene Tests im Haus stehen noch aus; diese Card beruht auf Herstellerangaben und externen Analyse-Seiten.

Gut zu wissen

• Gewichte: reflection/Beam-1.0-501B-A23B (BF16) sowie FP8-, NVFP4- und eine DFlash2-Variante auf Hugging Face. Die Herstellerzahlen liegen für alle drei Numeriken nahe beieinander (z. B. SWE-bench Verified 81,6 / 80,2 / 80,7 %).
• Architektur: 52 Layer (3 dicht, 49 MoE), 256 Experten, Gated GQA mit Sliding Window Attention, Vokabular 152K, Kontext 1M Token (1.000.000 laut Model Card). Wissensstand 30.06.2026.
• Kontext in der Praxis: Während der API-Beta lieferte Reflection 256K Kontext und 128K maximale Ausgabe; das RL-Training lief mit 256K. Die 1M Token sind der per Mid-Training erweiterte effektive Kontext.
• Hosting: Reflection-API (OpenAI-kompatibel), Amazon SageMaker JumpStart (nur US-Regionen N. Virginia und Ohio), weitere Inferenz-Anbieter sowie Ollama als Cloud-Tag. Ein EU-Hosting-Angebot ist bislang nicht dokumentiert.
• Preise: Reflection veröffentlicht keinen offenen Tokenpreis. Artificial Analysis nennt als Median der Drittanbieter 0,70 $ Input / 2,10 $ Output je 1 Mio. Token – ein Reseller-Mittelwert, kein Herstellertarif.
• Sicherheit: Laut Model Card verweigert Beam 88,9 % schädlicher Anfragen und beantwortet 81,5 % harmloser Anfragen (Iris Safety Evaluations, BF16). Details im Sicherheitsbericht des Herstellers.

Hinweis zu den Zahlen: Reflections Launch-Blog vom 05.10.2026 (aktualisiert 08.10.) und die Model Card vom 16.10.2026 weichen leicht voneinander ab, etwa DeepSWE 44,4 gegenüber 43,3 % oder SWE-bench Verified 80,9 gegenüber 81,6 %. Maßgeblich ist hier die Model Card.

Weitere Benchmarks

Quelle Reflection (offizielle Model Card, BF16), ohne passenden CRM-Schlüssel:

• DeepSWE v1.1 43,3 % · SWE-bench Pro v2-Hard 76,5 % · SWE-bench Pro v1 66,1 % · SWE-bench Multilingual 78,3 % · SWE Atlas Codebase QnA 31,8 %
• HLE mit Tools 51,1 % · CritPt (AA-Fassung) 16,3 % · AutomationBench (öffentlicher Split) 39,3 % · MCP Atlas 80,8 % · τ³-Banking 36,1 %
• BrowseComp mit Kontextmanagement 76,8 % · DeepSearchQA mit Kontextmanagement 80,5 % · LongBench v2 67,5 % · AA-Omniscience (öffentlicher Split) 10,8

Quelle Artificial Analysis (Intelligence Index v4.3.2, Stand 17.10.2026): Intelligence Index 30 · AA-Briefcase v1.1 976 (Elo) · GDPval-AA v2.1 1177 (Elo) · AutomationBench-AA 48 % · Terminal-Bench 4.0 3 % · GDP.pdf 12 % · CritPt 13 % · AA-Omniscience 2. SciCode und CritPt sind bei AA derzeit als „Under review" markiert.

LMArena führt Beam mit Stand 17.10.2026 noch nicht im Text-Leaderboard. BenchLM listet das Modell ebenfalls noch nicht.