Reflection Beam: open-weight model daagt Chinese rivalen uit
Reflection AI heeft details vrijgegeven over Beam, het eerste open-weight frontiermodel van de start-up uit Brooklyn. Volgens het bedrijf kan Beam op benchmarks voor geavanceerd redeneren meekomen met de beste Chinese open modellen, terwijl het veel minder rekenkracht nodig heeft. Als dat klopt, neemt de druk toe in de race om een westers alternatief voor DeepSeek, Qwen en Z.ai.
De lancering volgt op berichtgeving van Axios afgelopen weekend dat Reflection op het punt stond het model uit te brengen. Maandag kwam het bedrijf met een uitgebreide blogpost over hoe het model is gebouwd en waarvoor het bedoeld is.
Wat Beam is
Beam is een mixture-of-experts-model dat alleen met tekst werkt. Bij dit ontwerp is per token maar een deel van het netwerk actief, wat de gebruikskosten drukt. Reflection trainde het model met reinforcement learning op grote schaal en richtte zich daarbij op drie gebieden: redeneren, programmeren en agentische taken. Volgens het bedrijf doet Beam dat voor "een fractie van de tokenkosten en de rekenkracht bij inferentie" van concurrerende modellen.
De belangrijkste specificaties:
- Totaal aantal parameters: 501 miljard
- Actieve parameters: 23 miljard
- Pretrainingdata: 23,8 biljoen tokens
- Contextvenster: 1 miljoen tokens
Ter vergelijking: GLM-5.2 van Z.ai heeft in totaal ongeveer 744 miljard parameters, waarvan 40 miljard actief.
De prestatieclaims
Reflection zegt dat Beam op benchmarks voor geavanceerd redeneren gelijkwaardig presteert aan GLM-5.2 en de huidige toonaangevende westerse open modellen verslaat, terwijl het "3-4x minder rekenkracht bij inferentie" nodig heeft. Geen van deze resultaten is tot nu toe onafhankelijk geverifieerd.
Het bedrijf noemt Beam een "werkpaardmodel" voor bedrijven, de publieke sector en ontwikkelaars. Dat is eerder een praktische belofte dan een claim op de eerste plaats in elke ranglijst.
Reflection concurreert op meerdere fronten tegelijk. Aan de ene kant staan de gesloten labs, Anthropic en OpenAI. Aan de andere kant zijn er de populaire open modellen van Chinese ontwikkelaars, waaronder DeepSeek. En dan zijn er nog westerse makers van open modellen, zoals Mistral, Meta en Cohere.
De naaste Amerikaanse concurrent is mogelijk Inkling, het open model dat Thinking Machines Lab van Mira Murati in juli uitbracht. Volgens Reflections eigen cijfers scoort Beam hoger dan Inkling op vier programmeertests waarvoor beide resultaten hebben gepubliceerd. Helemaal eerlijk is die vergelijking echter niet. Inkling is multimodaal, Beam verwerkt alleen tekst.
Geld en rekenkracht
Reflection werd in 2024 opgericht door twee voormalige onderzoekers van Google DeepMind. Volgens PitchBook heeft het bedrijf ongeveer 4,7 miljard dollar opgehaald bij investeerders als Nvidia, Sequoia Capital en Lightspeed Venture Partners. Bij de meest recente ronde werd het bedrijf vooraf op 25 miljard dollar gewaardeerd.
De start-up heeft ook rekenkracht veiliggesteld. Die is nodig om frontiermodellen te trainen die klanten kunnen weglokken bij gesloten systemen en bij goedkopere Chinese open-weight alternatieven. Deze zomer sloot Reflection deals met SpaceX en Nebius met een gezamenlijke waarde van meer dan 7 miljard dollar. Die overeenkomsten geven het bedrijf tot en met 2029 toegang tot de GB300-chips van Nvidia.
De "AI-fabriek" als verkoopverhaal
Reflection richt zich met Beam en toekomstige modellen vooral op bedrijven en soevereine staten. Het productidee noemt het bedrijf "AI-fabrieken": instellingen trainen de modellen van Reflection op hun eigen bedrijfsdata om op maat gemaakte AI-systemen te bouwen die lokaal draaien.
Het concept is bekend van Nvidia-topman Jensen Huang, wiens bedrijf in Reflection investeert. Huang pleit al lang voor AI-fabrieken en een sterker open AI-ecosysteem. Die visie komt Nvidia ook goed uit, omdat de systemen op zijn GPU's zouden draaien.
Volgens Axios behoren hedgefondsen en handelshuizen tot de partijen die interesse hebben in het bouwen van zulke systemen. Reflection test al een samenwerking rond een soevereine AI-fabriek met Shinsegae Group, een Zuid-Koreaans conglomeraat in retail en andere sectoren.
Het bedrijf zegt de gewichten en de volledige technische details van Beam deze maand te publiceren. Bij de lancering wordt het model verspreid via hyperscalers en neoclouds (nieuwere cloudaanbieders die zich op GPU's richten) en geintegreerd in opensourcebibliotheken. Reflection reageerde niet op tijd op verzoeken van TechCrunch om een nadere toelichting.
Onze analyse
Hoe belangrijk Beam is, hangt ervan af of externe tests de cijfers van Reflection bevestigen. Een model dat GLM-5.2 evenaart met drie tot vier keer minder rekenkracht bij inferentie zou een echte efficiencywinst zijn. Voorlopig komen alle cijfers echter van het bedrijf zelf. Lezers doen er goed aan de benchmarks als vertrekpunt te zien en te wachten op onafhankelijke evaluaties zodra de gewichten openbaar zijn.
De timing past in een breder patroon. Chinese labs bepalen al geruime tijd het tempo in open-weight AI, en de GLM-reeks van Z.ai is sinds GLM-5.2 alleen maar verder gegaan. Westerse bedrijven antwoorden met eigen open modellen, van Inkling van Thinking Machines tot regionale initiatieven zoals Kolibri van Aleph Alpha. Reflection gokt erop dat efficientie, en niet alleen ruwe scores, zakelijke klanten over de streep trekt die op hun gebruikskosten letten.
De strategie van AI-fabrieken kan zwaarder wegen dan de benchmarks. Verkopen aan overheden en gereguleerde bedrijven die modellen op hun eigen data en infrastructuur willen draaien, is een heel ander soort business dan het verkopen van API-toegang. Met Nvidia als investeerder en chiptoegang die tot en met 2029 is geregeld, lijkt Reflection over de middelen te beschikken om die weg in te slaan.
Drie dingen zijn het volgen waard. Ten eerste: of onafhankelijke tests de claims over efficient rekenkrachtgebruik ondersteunen. Ten tweede: of de pilot met Shinsegae uitgroeit tot een volledige uitrol. Ten derde: of het ontbreken van multimodale ondersteuning Beam parten speelt tegenover rivalen zoals Inkling.