AWS stellt Reflections Open-Weight-Modell Beam bereit – zunächst nur in zwei US-Regionen

AWS bietet Beam als JumpStart-Endpoint und über HyperPod an

Amazon Web Services beschreibt in einem Beitrag, wie sich Beam betreiben lässt. Beam ist das erste Open-Weight-Modell von Reflection AI. Es ist für agentisches Coding gedacht, also für Long-Horizon-Aufgaben: Code warten, Werkzeuge nutzen, Ergebnisse auswerten und mehrstufige Workflows abarbeiten.

AWS nennt zwei Wege. Der erste ist ein vollständig verwalteter Echtzeit-Endpoint in Amazon SageMaker JumpStart. Der zweite führt über SageMaker HyperPod Inference. Er ist Kubernetes-nativ, läuft auf verteilter GPU-Infrastruktur und lässt die Wahl zwischen JumpStart, SGLang und vLLM. Wer mehr Kontrolle über die GPU-Ebene braucht, nimmt den zweiten Weg.

Das Modell selbst ist nicht neu. Reflection hat Beam bereits am 5. Oktober 2026 angekündigt. Neu ist die Bereitstellung bei AWS.

501 Milliarden Parameter gesamt, 23 Milliarden aktiv pro Token

Beam ist ein Sparse-Mixture-of-Experts-Modell. Pro Token aktiviert es nur einen Teil seiner Parameter. Die Gesamtzahl von 501 Milliarden bestimmt, wie groß Checkpoint und Gewichtsspeicher ausfallen und wie stark das Modell auf mehrere GPUs verteilt werden muss. Die 23 Milliarden aktiven Parameter wirken dagegen auf den Rechenaufwand pro Token.

Der Betrieb erfordert also erhebliche GPU-Infrastruktur. Die Rechenlast pro Token fällt zwar geringer aus als bei einem dichten Modell gleicher Größe. Welche Instanztypen nötig sind und was der Betrieb kostet, geht aus dem vorliegenden Material nicht hervor.

Reflection räumt Rückstand auf Kimi K3 ein, Kritiker sehen ihn größer

Reflection nennt für Beam eigene Werte: 80,1 im Terminal Bench v2.1, 80,9 im SWEBench Verified und 90,5 in GPQA Diamond. Das sind Herstellerangaben. Das Unternehmen sieht Beam bei Coding und agentischen Aufgaben konkurrenzfähig mit GLM 5.2 und nahe an Qwen 3.8-Max. Bei roher Leistung liege Kimi K3 weiter vorn. Das Hauptargument sei die Effizienz pro Token: Beam erreiche bei anspruchsvollen Reasoning-Benchmarks ähnliche Werte wie GLM 5.2 mit drei- bis viermal weniger Inferenz-Compute. Das ist ausdrücklich Reflections eigene Schätzung.

Dem widerspricht die Kritik. Turing Post sieht Beam bei wichtigen Coding-Tests weit hinter führenden chinesischen Modellen. Das Portal wirft Reflection vor, Ergebnisse aus der Tabelle ausgelassen zu haben. Laut cellcog.ai liegt Beam in Reflections eigener Tabelle in den meisten Zeilen hinter GLM 5.3, Kimi K3 und DeepSeek V4.1 Flash.

Teils erklärt sich der Unterschied durch die Vergleichsbasis: Reflection nennt GLM 5.2, cellcog.ai GLM 5.3. Außerdem gewichten die Quellen Effizienz und rohe Leistung unterschiedlich. Eine unabhängige Messung, die den Streit entscheidet, liegt nicht vor.

Gewichte laut Sekundärquelle auf Hugging Face, Startregionen nur in den USA

Laut explainx.ai (Update vom 16. Oktober 2026) liegen die Gewichte inzwischen auf Hugging Face. Belegt ist dieser Schritt bislang nur durch diese Sekundärquelle. Reflection hatte angekündigt, Gewichte, Technical Report und Model Card später im Oktober unter Apache 2.0 zu veröffentlichen. Der AWS-Auszug nennt die Lizenz nicht.

Zum Start ist Beam in SageMaker JumpStart nur in US East (N. Virginia) und US East (Ohio) verfügbar. Eine EU-Region erwähnt das Material nicht. Für Unternehmen mit Anforderungen an die Datenresidenz ist das relevant.

Offen bleibt, wie Beam in unabhängigen Tests abschneidet, bei der Leistung ebenso wie bei der behaupteten Effizienz.