Das amerikanische Labor Reflection veröffentlicht Beam, sein erstes Modell, unter einer Open-Source-Lizenz. Dieses Sprachmodell vom Typ Mixture of Experts (MoE, eine Architektur, bei der nur ein Teil des Netzwerks jeden Token, also jedes Textfragment, verarbeitet) verfügt über 501 Milliarden Parameter, von denen 23 Milliarden für jeden Token aktiviert sind. Es akzeptiert Texteingaben, hat einen Kontextfenster von 1M Tokens und wird unter der Apache-2.0-Lizenz auf Hugging Face vertrieben.
Beam ist auf Code und agentische Anwendungen ausgerichtet, also auf Systeme, die Aktionen mit Werkzeugen verketten können. Es richtet sich an Teams, die ein Modell dieser Größe auf eigener Hardware, eigener Infrastruktur oder in der Cloud betreiben und an ihre Bedürfnisse anpassen möchten. Es wird mit einem Open-Source-Harness in Rust geliefert, einer Softwareumgebung, die das Modell steuert.
Eine Architektur mit Experten
Beam umfasst 52 Schichten mit 256 Experten pro MoE-Schicht, von denen 8 für jeden Token herangezogen werden. Die 256 Experten bleiben im Speicher: Der Einsatz erfordert daher den Speicher eines Modells mit 501 Milliarden Parametern, die Berechnung erfolgt jedoch mit der Geschwindigkeit eines Modells mit 23 Milliarden. Der BF16-Checkpoint wiegt etwa 1 TB im safetensors-Format, während die NVFP4-Version, die die meisten Parameter mit 4 Bit speichert, auf etwa 280 GB schrumpft. Laut Dokumentation können Blackwell-Chips dieses Format nativ ausführen, während ältere GPUs wie der H200 dies nicht können. Die FP8-Checkpoints sind für Hopper- und Ampere-Generationen geeignet.
Das Modell bietet fünf Denkstufen: « low », « medium » (Standard), « high », « xhigh » und « max ». Reflection berichtet eigenen Ergebnissen zufolge von einer Bewertung von 81,6 % im Benchmark SWE Bench Verified in BF16, verglichen mit 80,2 % in FP8 und 80,7 % in NVFP4. Die erreichte Bewertung von 97,7 % bei AIME 2026 gehört ebenfalls zu den vom Herausgeber kommunizierten Zahlen. Hugging Face führte außerdem fünf qualitative Tests zu spezifischen Aufgaben durch, die als « Vibe »-Evaluierungen und nicht als Benchmarks vorgestellt werden.
Einsatz und Anpassung
Beam wird ab dem Start von den Bibliotheken transformers, SGLang und vLLM unterstützt. Hugging Face stellt auch Rezepte für überwachtes Fine-Tuning (SFT, bei dem ein Modell an annotierten Beispielen trainiert wird) und Reinforcement Learning (RL) bereit. In einem Beispiel ermöglichte das Fine-Tuning mit LoRA-Adaptern, die nur einen kleinen Teil der Gewichte ändern, bei 16 von 16 Prompts eine Antwort in der geforderten Sprache, verglichen mit 3 von 16 beim Basismodell. Dieser Test misst die Einhaltung der Sprache, nicht die Richtigkeit der Argumentation. Beam ist auch über Inference Providers zugänglich, mit den Anbietern Baseten, Fireworks und Together.
Reflection kündigt außerdem 10.000 US-Dollar Guthaben auf dem Hub an, das an die besten mit Beam erstellten Projekte verteilt wird. Teilnehmer müssen eine Demo, ein quantisiertes Modell, einen synthetischen Datensatz, eine Reinforcement-Learning-Umgebung oder einen Benchmark veröffentlichen und dann den Link dazu im Diskussions-Tab der Modellseite teilen.
