Story
Oktober 6, 2026
Beam ist Reflection AIs risikoreiche Wette, Chinas Führungsposition bei offenen Modellen herauszufordern
Reflection AI stellt Beam als amerikanischen Gegenangriff im Bereich offener Modelle dar: als Versuch, lokale Kontrolle und Offenheit mit deutlich niedrigeren Rechenkosten zu verbinden. Die Herausforderung für das Unternehmen besteht darin, diese Behauptungen in unabhängig verifizierte Leistung gegenüber chinesischen Rivalen zu überführen, die weiterhin das Tempo vorgeben.
Reflection AI wurde im März 2024 von den ehemaligen Google-DeepMind-Forschern Misha Laskin und Ioannis Antonoglou gegründet und trat damit in einen Markt ein, in dem chinesische Entwickler bei Modellen mit offenen Gewichten eine dominante Stellung aufgebaut haben. Beam soll diese Gleichung verändern – nicht indem es mit Rivalen Parameter für Parameter mithält, sondern indem KI auf Spitzenniveau günstiger im Betrieb wird.1
Das Startup begann in diesem Jahr damit, die Infrastruktur für diese Wette aufzubauen. Im Mai ging es eine Partnerschaft ein, um Modelle an das US-Energieministerium und das Kriegsministerium zu liefern, unterzeichnete dann im Juni eine Rechenleistungsvereinbarung mit SpaceX über 6,3 Milliarden US-Dollar und im Juli einen weiteren Vertrag über 1 Milliarde US-Dollar über Nebius. Vor der Veröffentlichung von Beam hieß es in einem vielfach geteilten Beitrag, das Modell solle mit „den besten chinesischen Modellen mit offenen Gewichten“ konkurrieren, wobei auf Reflections hohe Ausgaben für Colossus-Rechenleistung verwiesen wurde.
2
Beam, das diesen Monat vorgestellt wurde, ist ein Mixture-of-Experts-Modell mit 501 Milliarden Parametern, das pro Token nur 23 Milliarden Parameter aktiviert. Reflection zufolge ermöglicht dieses Design wettbewerbsfähige Leistungen beim Programmieren und bei agentischen Aufgaben bei einem Bruchteil der Tokenkosten und Inferenz-Rechenleistung der Rivalen. In der Ankündigung bezeichnete das Unternehmen Beam als ein Modell, das „die offene westliche Spitze bei Programmier- und agentischen Aufgaben voranbringt“, wobei die vollständigen Gewichte noch diesen Monat veröffentlicht werden sollen.3
Diese Positionierung richtet sich direkt gegen Chinas Größenvorteil. Moonshots Kimi K3 verfügt über 2,8 Billionen Gesamtparameter und aktiviert 104 Milliarden pro Token; DeepSeeks V4-Pro hat 1,6 Billionen Gesamtparameter und aktiviert 49 Milliarden. Reflection erklärt, Beam könne bis zu viermal weniger Inferenz-Rechenleistung benötigen, während Laskin argumentiert, dass „technologischer Fortschritt von den Werten der Offenheit und Zusammenarbeit vorangetrieben wird“.4
Doch der Wettbewerb wird nicht durch eine Produktankündigung entschieden. Reflection hat erklärt, dass Beams interne Tests Z.ais GLM-5.2 ähnelten, doch zum Zeitpunkt der Berichterstattung lagen keine öffentlichen Benchmark-Daten von Artificial Analysis vor. Die Effizienzbehauptungen des Unternehmens stehen nun vor der schwierigeren Prüfung: ob Entwickler und Unternehmen Beam als mehr als eine patriotische Alternative sehen – und als ein tatsächlich wettbewerbsfähiges Arbeitspferd.