Das amerikanische Startup Reflection AI hat sein erstes großes Sprachmodell vorgestellt. Es heißt Beam, und das Unternehmen will es als offenes Modell anbieten, sodass es jeder herunterladen, auf dem eigenen Computer ausführen und an seine Bedürfnisse anpassen kann. Das Modell konzentriert sich vor allem auf das Schreiben von Code, logisches Denken und Aufgaben, bei denen künstliche Intelligenz selbstständig arbeitet und eigenständig externe Werkzeuge nutzt. Nach Angaben des Unternehmens erreicht Beam die Leistung chinesischer offener Modelle, benötigt dafür jedoch deutlich weniger Rechenleistung.
Weniger Gerede, mehr Ergebnisse
Beam gehört zu den großen Modellen. Es verfügt insgesamt über mehr als 500 Milliarden Parameter. Bei jeder Antwort verwendet es jedoch nicht alle gleichzeitig. Es funktioniert wie ein Team von Spezialisten, bei dem für jeden Textabschnitt nur die jeweils am besten geeigneten Experten zum Einsatz kommen. In der Praxis arbeiten so etwa 23 Milliarden Parameter gleichzeitig, was nur einen kleinen Bruchteil der Gesamtzahl ausmacht. Dadurch ist Beam im Betrieb schneller und günstiger. Zum Vergleich: Das chinesische Modell GLM-5.2 des Unternehmens Z.ai verfügt über rund 744 Milliarden Parameter und aktiviert bei der Verarbeitung etwa 40 Milliarden davon.
Das Modell kann ausschließlich mit Text arbeiten und verarbeitet weder Bilder noch Ton direkt. Dafür kann es gleichzeitig eine enorme Menge an Informationen im Gedächtnis behalten, etwa ein umfangreiches Softwareprojekt oder lange Dokumente. Fachlich wird dieser Speicherbereich als Kontextfenster bezeichnet, und bei Beam umfasst er eine Million Token.
Reflection brachte Beam außerdem bei, sparsam mit Worten umzugehen. Das Modell wurde für richtige Lösungen belohnt, verlor jedoch Punkte, wenn es unnötig lange Texte zu seinen internen Überlegungen generierte. Zu Beginn des Trainings lernte es so, Aufgaben auf kürzerem Weg zu lösen. Später, als es komplexere Arbeiten bewältigte, begann es wieder länger nachzudenken, doch diesmal half ihm die ausführlichere Analyse tatsächlich dabei, bessere Ergebnisse zu erzielen. Nutzer können dieses Gleichgewicht selbst einstellen. Bei einer niedrigeren Denkstufe antwortet das Modell kurz und schnell, bei einer höheren nimmt es sich mehr Zeit für anspruchsvolle Aufgaben. So kann jeder zwischen Geschwindigkeit, Kosten und Qualität wählen.
Gerade in dieser Effizienz sieht das Unternehmen den Hauptvorteil seines Modells. Bei Tests zum logischen Denken erzielt Beam nach eigenen Angaben ähnliche Ergebnisse wie GLM-5.2, benötigt dafür jedoch drei- bis viermal weniger Rechenleistung. Bei noch größeren Modellen wie dem chinesischen Qwen 3.8-Max mit mehr als zwei Billionen Parametern soll der Unterschied noch deutlicher ausfallen. Die leistungsstärksten chinesischen Modelle, beispielsweise Kimi K3, liegen bei der reinen Leistung weiterhin vorn. Reflection bietet sein Modell daher als zuverlässigen Mitarbeiter für Unternehmen, Behörden und Entwickler an.
Es lernte sogar Dinge, die ihm niemand beigebracht hatte
Das Unternehmen weist auf einen unerwarteten Aspekt hin. Während des auf Programmierung und die Arbeit in der Befehlszeile ausgerichteten Trainings verbesserte sich das Modell auch bei der Internetsuche, obwohl es keinerlei entsprechende Aufgaben erhielt. Als es später Zugriff auf das Web bekam, fand es selbst heraus, dass es nach Informationen suchen, andere Sprachmodelle befragen und Dokumente mithilfe von Werkzeugen zur Texterkennung analysieren kann.
Reflection präsentierte außerdem mehrere Beispiele. Beam erstellte etwa aus öffentlich zugänglichen Daten des Verkehrsbetriebs eine Live-Karte der New Yorker U-Bahn. Es suchte selbstständig nach der Dokumentation, ermittelte das Verfahren zur Anmeldung beim Datenzugang und programmierte die gesamte Anwendung einschließlich eines Servers, der die Karte fortlaufend aktualisiert. Außerdem entwickelte es ein dreidimensionales Spiel, in dem ein Astronaut zur Erde fällt und Asteroiden ausweicht. Obwohl das Modell nicht mit Grafiken arbeitet, konnte es das Erscheinungsbild des Spiels rein textlich konzipieren.
In einer weiteren Demonstration bereitete Beam selbstständig das Nachtraining eines kleinen Gemma-4-Modells von Google zur Umwandlung gewöhnlicher Anfragen in die Datenbanksprache SQL vor und führte es durch. Dadurch stieg die Erfolgsquote dieses kleineren Modells um etwa zwei Drittel.
Das Unternehmen wurde von ehemaligen DeepMind-Mitarbeitern und mit Geld von Nvidia gegründet
Das Unternehmen will das Modell vor allem Unternehmen und Staaten anbieten. Es wirbt bei ihnen mit sogenannten KI-Fabriken, also lokalen Systemen, die Institutionen mit ihren eigenen Daten trainieren können. Laut dem Portal Axios zeigen beispielsweise Fonds und Handelsunternehmen Interesse. Reflection erprobt ein ähnliches Projekt bereits mit der südkoreanischen Shinsegae-Gruppe.
Reflection will die Modellgewichte noch im Oktober unter der freien Apache-2.0-Lizenz veröffentlichen, zusammen mit Dokumentation und Werkzeugen für den Betrieb, das Testen und die Anpassung. Beam soll das erste Modell einer ganzen Reihe sein, und das Unternehmen arbeitet bereits am nächsten. Bislang hat nur eine begrenzte Gruppe von Personen Zugriff darauf, doch Reflection will das vollständige Modell noch im Laufe des Oktobers freigeben.
Das Startup wurde 2024 von zwei ehemaligen Forschern von Google DeepMind gegründet. Laut der Datenbank PitchBook erhielt das Unternehmen von Investoren rund 4,7 Milliarden Dollar, darunter Nvidia, Sequoia Capital und Lightspeed Venture Partners. In der jüngsten Finanzierungsrunde bewerteten die Investoren das Unternehmen mit 25 Milliarden Dollar. Nvidia-Chef Jensen Huang setzt sich seit Langem für die Idee von KI-Fabriken ein; schließlich würde sein Unternehmen die Chips liefern, auf denen solche Systeme laufen würden.
Reflection hat sich die benötigte Rechenleistung auch für die kommenden Jahre gesichert. In diesem Sommer unterzeichnete das Unternehmen mit SpaceX und Nebius Verträge im Gesamtwert von mehr als sieben Milliarden Dollar, die ihm bis 2029 den Zugang zu Nvidia-GB300-Chips garantieren.
Quellen: reflection.ai und techcrunch.com
