Reflection, ein neues US-KI-Labor, hat sein erstes Modell veröffentlicht, und es ist groß und zu großzügigen Bedingungen zu haben. Beam ist ein Mixture-of-Experts-Modell mit 501B Parametern, von denen pro Token 23B aktiv sind, mit einem Kontextfenster von 1M Token und einer Apache-2.0-Lizenz, die kommerzielle Nutzung und Änderung erlaubt. Es ist für Programmierung und Agentenarbeit gebaut und richtet sich an Teams, die ein Modell in Frontier-Größe auf eigener Hardware betreiben wollen statt hinter der API eines anderen.
Der Beitrag von Hugging Face bietet einen ungewöhnlich detaillierten Blick auf den Aufbau. Das Modell hat 52 Schichten; die meisten nutzen Sliding-Window-Attention über die vorherigen 512 Token, neun dagegen den gesamten Kontext, was den Speicherbedarf für lange Kontexte auf etwa ein Sechstel eines naiven Entwurfs drückt. Jede von 49 Schichten enthält 256 Experten, von denen pro Token acht laufen, ausgewählt von einem Router nach dem Vorbild von DeepSeek-V3. Reasoning kann über Gesprächsrunden erhalten bleiben, es gibt fünf Aufwandsstufen von low bis max, und Tool-Aufrufe nutzen eine eigene Grammatik. Beam wird vom ersten Tag an von Transformers, vLLM und SGLang unterstützt, kommt mit Reflections eigener quelloffener Laufzeitumgebung in Rust und bringt Rezepte für Fine-Tuning und Reinforcement Learning mit.
Die Hardware ist die praktische Hürde. Der BF16-Checkpoint ist etwa 1 TB groß. Eine NVFP4-Fassung senkt das auf etwa 280 GB, die laut Hugging Face mit wenig Spielraum auf zwei Nvidia-B200-GPUs passen; empfohlen werden vier. NVFP4 läuft nativ nur auf Blackwell-Chips, ältere H200-Umgebungen brauchen die FP8-Checkpoints, und das vLLM-Beispiel verteilt das volle Modell auf 16 H200-GPUs. Für die meisten Teams heißt das, Kapazität zu mieten oder gehostete Anbieter zu nutzen, die Hugging Face anbietet.
Die eigentliche Nachricht ist eine freizügige Lizenz in dieser Größenordnung. Viele große Open-Weight-Modelle kommen mit Einschränkungen für kommerzielle Nutzung oder Nutzerzahlen, und Apache 2.0 räumt diese Frage für Unternehmen aus, die aus Datenschutz- oder Kontrollgründen selbst hosten müssen. Zusammen mit Metas Muse Spark Open aus derselben Woche zeigt es, dass US-Labore an der Spitze der offenen Gewichte wieder mitspielen. Wir besprechen Beam neben den unterstützten Serving-Werkzeugen vLLM und SGLang.
Was fehlt, ist ein unabhängiger Beleg, dass es so gut programmiert wie Frontier-Modelle. Die Benchmark-Ergebnisse im Beitrag stammen von Reflection, und als erstes Modell eines neuen Labors hat es keine Vorgeschichte. Reflection bietet 10.000 Dollar in Hub-Guthaben für die besten Projekte damit, was frühe Tests aus der Community bringen dürfte. Bis unabhängige Programmier-Benchmarks vorliegen, ist Beam als vielversprechende Option zum Selbsthosten zu sehen, nicht als bestätigte Alternative zu den führenden geschlossenen Modellen.