Reflection Beam: Das 501B Open-Weight-Modell für Coding und Agenten, erklärt

Reflection hat Beam veröffentlicht – sein erstes Open-Weight-Modell, mit den Gewichten auf Hugging Face unter einer Apache-2.0-Lizenz. Beam ist ein spärlich besetztes Mixture-of-Experts-Modell (MoE) mit 501 Milliarden Parametern, entwickelt für Coding, Reasoning und langfristige agentische Aufgaben. Dieser Leitfaden behandelt, was geliefert wurde, wie es in Benchmarks abschneidet, was es über eine gehostete API kostet und wie man es selbst ausführt – basierend auf den Zahlen aus Reflections eigenem Modell-Card.

Was ist Reflection Beam?

Beam ist ein spärlich besetztes Mixture-of-Experts-Modell (MoE) mit 501 Milliarden Gesamtparametern und ~23 Milliarden aktiven Parametern pro Token, veröffentlicht als Beam-1.0-501B-A23B. Es verarbeitet Text als Ein- und Ausgabe und wurde für Coding-, Reasoning- und agentische Workloads entwickelt, mit einem erklärten Fokus auf tokeneffizienten Reasoning.

Laut der Hugging Face Modell-Card verfügt Beam über 52 Schichten (3 dichte + 49 MoE), 256 Experten, ein Kontextfenster von 1 Million Token, ein Vokabular von 152.000 Token und einen Wissensstand bis zum 30. Juni 2026. Es verwendet Gated Grouped-Query Attention mit Sliding-Window Attention und ein modifiziertes Harmony-Chat-Format.

Das zentrale Versprechen ist Effizienz statt maximaler Leistungsfähigkeit: Reflection gibt an, dass Beam eine Lösungsqualität vergleichbar mit führenden offenen Modellen erreicht, dabei jedoch etwa 3-mal weniger Reasoning-Token zur Inferenzzeit benötigt, wie im Modell-Card vermerkt.

Die Lizenz: Apache 2.0, vollständig

Das wichtigste Detail für Teams ist die Lizenz. Reflection hat Beams Gewichte auf Hugging Face unter einer Apache-2.0-Lizenz veröffentlicht – eine der freizügigsten verfügbaren Optionen, die kommerzielle Nutzung, Weiterverteilung und Modifikation erlaubt.

Das Modell-Card gibt außerdem an, dass Reflection Destillation, die Verwendung von Ausgaben zum Training anderer Modelle, Fine-Tuning, parametereffiziente Anpassung, Quantisierung oder Zusammenführung nicht untersagt. Diese Offenheit hält ein offenes Modell im Gespräch neben Veröffentlichungen wie Kimi K3 und DeepSeek – und ist direkt relevant, wenn Sie Beam in ein Produkt integrieren möchten.

Beams Benchmarks

Reflections endgültige Zahlen sind im Modell-Card festgehalten, ausgewertet bei Temperatur 0,7 und top_p 0,99. Hier sind die BF16-Ergebnisse in den für Agent-Entwickler relevanten Kategorien:

• SWE-bench Verified: 81,6 % — Lösung echter GitHub-Issues
• Terminal-Bench 2.1: 80,1 % — Abschluss von Kommandozeilen-Aufgaben
• SWE-bench Multilingual: 78,3 %
• GPQA Diamond: 90,6 % — wissenschaftliches Reasoning auf Hochschulniveau
• AIME 2026: 97,7 % — Wettbewerbsmathematik
• LiveCodeBench: 88,3 %
• MCP Atlas: 80,8 % — Nutzung realer Tools über MCP-Server
• BrowseComp (mit Kontextverwaltung): 76,8 %
• HLE: 36,0 % ohne Tools, 51,1 % mit Tools

Das sind starke agentische und Reasoning-Werte für ein offenes Modell, insbesondere angesichts des Effizienz-Rahmens. In seinem eigenen Blog positioniert Reflection Beam als wettbewerbsfähig mit größeren offenen Modellen wie GLM 5.2 und als annähernd gleichwertig mit Qwen 3.8-Max bei Coding- und agentischen Aufgaben. Unabhängige Berichte haben festgestellt, dass Modelle wie Kimi K3 bei der reinen Leistungsfähigkeit noch führend sind – betrachten Sie Beam daher als Effizienzlösung, nicht als allgemeinen Frontier-Gewinner.

Ein Hinweis zu den Zahlen: Frühe Berichte, die auf Baseten's Launch-Post verwiesen, nannten leicht abweichende Werte (z. B. SWE-bench Verified bei 80,9 %). Die oben genannten Modell-Card-Werte sind Reflections endgültig veröffentlichte Benchmarks – verwenden Sie diese als kanonische Referenz.

Preise

Beam ist kostenlos zum Herunterladen und zur Selbst-Hosting unter Apache 2.0. Wenn Sie lieber einen gehosteten Endpunkt nutzen möchten, hat Reflection eine kostenlos startende öffentliche Beta seiner eigenen API geöffnet.

Unter den Launch-Partnern listete Baseten Model-API-Preise von 1,30 $ pro Million Eingabe-Token und 0,13 $ pro Million Ausgabe-Token sowie 4,30 $ pro Million Cache-Eingabe-Token. Die Preise variieren je nach Anbieter – prüfen Sie daher den spezifischen Endpunkt, den Sie nutzen möchten, zum Zeitpunkt Ihres Tests.

So führen Sie Beam aus

Reflection hat Beam so entwickelt, dass es nahezu überall sofort einsatzbereit ist.

Gewichte und Formate. Die Veröffentlichung umfasst die Präzisionsformate BF16, FP8 und NVFP4 sowie ein Speculative-Decoding-Drafter-Modell. Reflection gibt an, mit Partnern an fusionierten Kerneln und Serving-Konfigurationen gearbeitet zu haben, um den Speicherbedarf zu reduzieren und die Generierung zu beschleunigen.

Day-Zero-Framework-Unterstützung. Laut Reflections Ankündigung verfügt Beam über native Unterstützung in Transformers (Hugging Face), vLLM, SGLang, Unsloth, Axolotl, TokenSpeed und NVIDIA Dynamo – sodass Sie ohne benutzerdefinierte Infrastruktur von den Gewichten zu einem Produktionsendpunkt gelangen.

Plattformen. Beam wurde auf einer breiten Palette von Anbietern gestartet, darunter Amazon Web Services, Google Cloud, Baseten, CoreWeave, Databricks, Fireworks AI, Together AI, OpenRouter, Vercel, LM Studio und Ollama. Für On-Premises-, Sovereign- und Air-Gapped-Setups liefern Dell und HPE es hinter der Firewall.

Mirror CLI, das Open-Source-Harness

Reflection hat außerdem Mirror CLI als Open Source veröffentlicht – das Terminal-Agent-Harness, gegen das Beam trainiert wurde. Mirror kombiniert ein Python-Frontend (Prompts, Skills, Entwickler-Tooling) mit einem Rust-Agent-Core, der das Modell steuert. Es unterstützt fortsetzbare Konversationen, parallele Agenten in separaten Worktrees, Projektanweisungen, MCP-Verbindungen und Python-Erweiterungen.

Reflection gibt an, Mirror zunächst für das interne Engineering entwickelt zu haben – mit isolierten Arbeitsbereichen, Hintergrundsitzungen sowie Slack-, Linear- und GitHub-Integrationen – bevor es als Open Source veröffentlicht wurde. Beam funktioniert auch mit anderen Harnesses, darunter Pi, OpenCode und Hermes.

Das „offene Betriebssystem für Agenten"

Reflection rahmt den Launch als mehr als nur eine Gewichtsveröffentlichung. Es bezeichnet das Paket als „offenes Betriebssystem für Agenten", mit dem Modell als Kernel und offenen Referenz-Agenten-Integrationen, Deployment-Containern, Inferenz-Integrationen und Anpassungs-Pipelines oberhalb der Infrastrukturschicht – unterstützt von einem Ökosystem aus 40+ Partnern.

Für die Anpassung verweist Reflection auf Rezepte und Integrationen für Fine-Tuning und groß angelegtes Reinforcement Learning (mit Partnern wie NVIDIA, Hugging Face TRL, Anyscale und Axolotl) und gibt an, Self-Distillation-Rezepte zu veröffentlichen und den OpenEnv-Umgebungsstandard für zukünftige Durchläufe zu übernehmen.

Für wen ist Beam relevant?

• Agent- und Coding-Tool-Entwickler, die ein freizügig lizenziertes Modell mit starken SWE-bench- und MCP-Tool-Use-Werten suchen.
• Teams, die auf Inferenzkosten achten, da der Effizienz-Rahmen auf weniger Reasoning-Token pro Aufgabe abzielt.
• Regulierte oder On-Premises-Deployments, die denselben Stack auf einem Laptop und hinter einer Firewall benötigen.

Wenn rohe Spitzenleistung bei den schwierigsten Aufgaben Ihr einziges Kriterium ist, könnten die aktuellen Open-Source-Spitzenreiter Beam noch übertreffen. Wenn permissive Lizenzierung, agentische Tool-Nutzung und Effizienz wichtiger sind, ist Beam vom ersten Tag an eine ernsthafte Option.

Setzen Sie ein offenes Modell wie Beam mit Ihrer eigenen KI-Belegschaft ein

Beam ist genau für die Art von langfristiger, Tool-nutzender Arbeit entwickelt worden, die Multi-Agenten-Systeme automatisieren – Repositories lesen, Befehle ausführen und mehrstufige Aufgaben abschließen. Eigent ist eine Open-Source-„Cowork"-Desktop-App, die Modelle wie diese in eine lokale KI-Belegschaft verwandelt, die echte Workflows ausführt – vom Überprüfen von GitHub-PRs bis hin zu mehrstufiger Recherche. Da Eigent modellflexibel ist, können Sie es auf ein Open-Weight-Modell ausrichten und die Kontrolle über Ihren Stack behalten. Laden Sie Eigent herunter und bauen Sie Ihr eigenes Agenten-Team auf.