Das erste Modell von Reflection, Beam, erzielt 30 Punkte im Artificial Analysis Intelligence Index und belegt damit den #2 Platz unter den US-Open-Weights-Modellen
Beam ist ein offenes Gewichtsmodell mit insgesamt 501B Parametern und 23B aktiven Parametern, das auf @huggingface veröffentlicht wurde
Glückwunsch an @reflection_ai zur Veröffentlichung!
Wichtigste Erkenntnisse:
➤ Zweiter unter den US Open-Wichtigmodellen: Die Beam-Scores sind 30, hinter nur dem Meta’s Muse Spark Open (39) und vor der vergangenen NVIDIA Nemotron 3.5 Super VL-Version (26). Außerhalb Chinas sind nur der Muse Spark Open und das K2 Horizon des UAE (31) höher bewertet.
➤ Tokeneffizient für seine Intelligenz: Beam verwendet ~26k Ausgabetoken pro Intelligence Index-Aufgabe, im Vergleich zu K2 Horizon, der einen Punkt voraus ist und doppelt so viele verwendet (~52k). Eigene Modelle setzen weiterhin die Grenze, mit GPT-6 Astra (max) erzielt man bei derselben Budgetstufe (~27k) eine Punktzahl von 53.
➤ Stark in den agentischen Workflows, schwächer im Terminal: Beam erzielt 48,5% auf AutomationBench-AA, 11 Prozentpunkte vor K2 Horizon (37,2%) und gleich mit Qwen3.8 27B (48,2%). Terminal-Bench 4,0 ist ein Schwachpunkt, wo Beam 3,0% erreicht, hinter Qwen3.8 27B (5,6%) und Muse Spark Open (8,1%) liegt.
➤ Mehr weiß, mehr errät: Bei AA-Omniscience beantwortet es 33% der Fragen korrekt, deutlich vor K2 Horizon (18%) und Qwen3.8 27B (16%). Doch seine Halluzinationseffizienz liegt bei 47%, gegenüber 26% für K2 Horizon und 30% für Qwen3.8 27B, was Beam einen Netto-Index-Wert von 1,5 ergibt, der sowohl über den beiden Konkurrenten (−3,0 und −10,0) liegt.
Weitere Modelldaten
Kontextfenster: 1 Mio. Tokens
Modi: Text
Parameter: 501B / 23B
