Door Nvidia ondersteunde Reflection AI onthult Beam, een open-gewicht model met 501B-parameters dat de Chinese laboratoria zal betreden

Reflection AI, de door Nvidia gesteunde Amerikaanse startup, introduceerde op 5 oktober zijn eerste open-weight-model, een spaarzaam mix-of-experts-systeem genaamd Beam dat het bedrijf positioneert als de sterkste westerse uitdaging tot nu toe voor de open-weight-grens die momenteel wordt gedomineerd door Chinese laboratoria. De aankondiging, gepubliceerd op Reflections eigen blog en snel opgepikt door Reuters, TechCrunch, Fortune en Semafor, komt met een twist: het model is nog niet downloadbaar.

Beam ondergaat wat het bedrijf beschrijft als de laatste red-teaming en evaluaties. Vroege toegang is mogelijk via een aanmeldingsproces, en Reflection zegt dat het later deze maand de gewichten, een technisch rapport, een modelkaart en ontwikkelaarsartefacten zal vrijgeven. Wanneer dat gebeurt, zal Beam een ​​van de grootste open-weight releases worden die ooit door een Amerikaans laboratorium zijn gepubliceerd, en de duidelijkste test tot nu toe of een Amerikaans bedrijf de release-cadans en openheid kan evenaren die Chinese modellen tot de standaardkeuze heeft gemaakt voor een groot deel van de open-sourcegemeenschap. Voor voortdurende berichtgeving over de open-weight race en al het andere dat op het veld beweegt, kunt u een bladwijzer maken voor onze AI-nieuwsstartpagina.

De cijfers achter de balk

Beam is een schaars mengsel van experts met in totaal 501 miljard parameters, waarvan er ongeveer 23 miljard actief zijn per token. Reflection zegt dat het het model vooraf heeft getraind op 23,8 biljoen tokens afkomstig van internet en eigen gelicentieerde datasets, en beweert dat het basismodel overeenkomt met of beter presteert dan open basismodellen van vergelijkbare grootte.

De meer onderscheidende claim heeft betrekking op versterkend leren. Reflection heeft de algoritmen, trainingsomgevingen en infrastructuur gebouwd om high-compute RL op grote schaal te ondersteunen, en het bedrijf meldt dat zijn RL-run meer dan 100 miljoen implementaties op 10.500 NVIDIA GB300 GPU's heeft gegenereerd gedurende vier weken training. Dat is een ongewoon grote RL-investering voor een release met een open gewicht, en Reflection crediteert dit voor de concurrentieprestaties van Beam met wat zij de rekenefficiëntie van frontier inference noemt.

Benchmarks: competitief, nog niet toonaangevend

Reflection's gepubliceerde benchmarktabel plaatst Beam stevig in het opengewichtpakket, achter de allergrootste Chinese modellen, maar vóór of op gelijke hoogte met verschillende gevestigde namen.

Op SWE-Bench Pro v2-Hard scoort Beam 77,2, achter GLM 5,3 met 88,2 en Kimi K3 met 88,2 op dezelfde rij, maar ruim vóór Inkling met 56,9. Op SWE-Bench Pro v1 scoort Beam 65,5, vóór Inkling (54,3), Nemotron 3 Ultra (46,4) en GLM 5.2 (62,1), terwijl Qwen 3.8-Max 67,7 scoort. Op de DeepSWE v1.1 agentische coderingsbenchmark registreert Beam 44,4, vergelijkbaar met GLM 5.2's 44,0 en achter GLM 5.3 (61,0), Qwen 3.8-Max (51,0) en DeepSeek V4.1 Flash (74,2).

De eigen framing van het bedrijf is openhartig over waar Beam zit. In de blogpost schrijft Reflection dat Beam "de westerse open-weight grens verlegt" en "concurreert met grotere open modellen zoals GLM 5.2 en Qwen 3.8-Max benadert op het gebied van coderen en agentische taken." Het geeft ook toe dat grensverleggende open modellen zoals Kimi K3 "voorop blijven op het gebied van pure capaciteiten."

Twee kanttekeningen verdienen de nadruk. Ten eerste wordt elk cijfer hier zelf gerapporteerd door Reflection voorafgaand aan de gewichtsvrijgave, en onafhankelijke verificatie zal pas mogelijk zijn zodra het technische rapport en de controlepunten openbaar zijn. Ten tweede zijn verschillende cellen in de eigen tabel van het bedrijf gemarkeerd als niet gerapporteerd, wat een volledige vergelijking van appels met appels voorlopig onmogelijk maakt.

Het efficiëntieargument

Wat Reflection als het echte voordeel van Beam bestempelt, is niet de ruwe positie op het klassement, maar de kosten op het moment van gevolgtrekking. Omdat slechts 23 miljard van de 501 miljard parameters per token worden geactiveerd, beweert het bedrijf dat Beam bijna grensverleggende agentische en coderingsprestaties kan leveren tegen een fractie van de rekenkosten van grotere compacte modellen. Die positionering weerspiegelt de strategie die Chinese open-weight-families zo populair heeft gemaakt bij startups: capaciteiten die sterk genoeg zijn tegen prijzen die 'always-on'-agenten economisch levensvatbaar maken.

Als de efficiëntieclaim onafhankelijke benchmarking overleeft, zou het belangrijker kunnen zijn dan de delta's op het scorebord. Teams die duizenden parallelle codeeragenten draaien, hechten meer waarde aan de kosten per voltooide taak dan aan benchmarkpunten van één cijfer.

Een geopolitieke onderstroom

De berichtgeving over de lancering was opvallend geopolitiek voor een open-source modelrelease. Reuters omschreef Beam als het ‘eerste AI-model’ van Reflection dat ‘Chinese open modellen overneemt’. Fortune vroeg zich af of Beam 'Amerika's beste kans zou kunnen zijn om met China te concurreren', en Semafor omschreef het bedrijf als 'een open-source westers antwoord op Chinese laboratoria'.

Dat kader weerspiegelt de toestand van het open-weight-ecosysteem eind 2026: de meest capabele downloadbare modellen zijn overweldigend afkomstig van Chinese laboratoria, waaronder de GLM-familie van Z.ai, de Kimi-lijn van Moonshot, Alibaba's Qwen en DeepSeek. Amerikaanse laboratoria hebben hun beste gewichten grotendeels gesloten gehouden en in plaats daarvan op API-inkomsten ingezet. Reflection gokt op het tegenovergestelde: dat een open Western Frontier-model het ecosysteem van ontwikkelaars kan aantrekken, en dat de steun van Nvidia het de rekenbaan geeft om bij te blijven.

Wat gebeurt er vervolgens

De gewichtsrelease later deze maand zal antwoorden geven op de vragen die er toe doen: hoe Beam presteert buiten de eigen evaluaties van Reflection, welke licentie bij de gewichten hoort en of de efficiëntie standhoudt onder onafhankelijke belasting. Tot die tijd blijft Beam een ​​veelbelovende benchmarktabel, een aanmeldingsformulier en de meest consequente open-weight-belofte die een Amerikaans laboratorium dit jaar heeft gedaan.

Voor ontwikkelaars die beslissen of ze willen standaardiseren op GLM, Kimi, Qwen of moeten wachten op Beam, is het praktische advies om definitieve beslissingen te nemen totdat het technische rapport en de evaluaties van derden binnenkomen. De open-weight race heeft een nieuwe Amerikaanse deelnemer, en voor het eerst sinds lange tijd begint de race niet achteraan in het peloton.

Blijf AI een stap voor

De grens van het open gewicht beweegt wekelijks en de labs komen sneller vrij dan iemand kan volgen. Lees meer AI-nieuws over AI Buzz Wire voor modellanceringen, benchmarkanalyses en de zakelijke verhalen erachter.

Ontdek hier de nieuwste AI-ontwikkelingen.