AWS integriert Reflection AIs Open-Weight-Modell Beam für agentisches Coding
AWS hat beschrieben, wie Entwickler das Open-Weight-Modell Beam von Reflection AI für agentisches Coding über Amazon SageMaker JumpStart und HyperPod Inference bereitstellen können.
Kurze Antwort
Was hat AWS zum Beam-Modell von Reflection AI angekündigt?
AWS hat einen technischen Leitfaden veröffentlicht, um Beam, ein Open-Weight-Mixture-of-Experts-Modell von Reflection AI für agentisches Coding, auf Amazon SageMaker bereitzustellen. Beam verfügt über 501 Milliarden Gesamtparameter, 23 Milliarden aktive Parameter und eine angegebene Kontextlänge von 1 Million Token, wobei die Gewichte auf Hugging Face unter der Apache-2.0-Lizenz veröffentlicht wurden.
Das Wichtigste
- Reflection AI hat Beam veröffentlicht, ein Open-Weight-Modell für agentisches Coding, einschließlich Codepflege, Tool-Nutzung und mehrstufiger Arbeitsabläufe.
- Beam ist ein spärliches Mixture-of-Experts-Modell mit 501 Milliarden Gesamtparametern und 23 Milliarden aktiven Parametern, und Reflection gibt eine effektive Kontextlänge von 1 Million Token an.
- Laut AWS sind die Gewichte von Beam auf Hugging Face unter der Apache-2.0-Lizenz in den Checkpoint-Varianten BF16, FP8 und NVFP4 verfügbar.
- AWS beschreibt zwei Bereitstellungswege: einen verwalteten SageMaker-JumpStart-Echtzeit-Endpunkt oder SageMaker HyperPod Inference mit JumpStart, SGLang oder vLLM für Kubernetes-native Kontrolle über verteilte GPU-Infrastruktur.
- Zum Start ist Beam laut AWS in SageMaker JumpStart in den Regionen USA Ost (Nord-Virginia) und USA Ost (Ohio) verfügbar.
Reflection AI hat Beam veröffentlicht, ein Open-Weight-Modell für agentisches Coding und langfristige Aufgaben wie die Pflege von Code, den Einsatz von Tools, die Interpretation von Ergebnissen und die Durchführung mehrstufiger Arbeitsabläufe. AWS beschrieb die Veröffentlichung in einem Blogbeitrag, der erklärt, wie Entwickler das Modell auf der eigenen Infrastruktur bereitstellen können.
Laut AWS besteht die Mission von Reflection AI darin, Intelligenz durch offene Modellgewichte, veröffentlichte Forschung und Open-Source-Software zugänglich zu machen, und Beam erweitert diesen Ansatz auf Softwareentwicklung und agentische Systeme.
Was Beam ist
AWS beschreibt Beam als ein spärliches Mixture-of-Experts-Modell zur Lösung von Softwareproblemen, zur Änderung von Code, zum Aufruf von Tools und zum Handeln auf Basis von Zwischenergebnissen. Es verfügt über 501 Milliarden Gesamtparameter und 23 Milliarden aktive Parameter. Reflection gibt eine effektive Kontextlänge von 1 Million Token an.
Reflection hat die Gewichte von Beam auf Hugging Face unter der Apache-2.0-Lizenz veröffentlicht. Beam 1.0 ist in drei Checkpoint-Varianten verfügbar: BF16, FP8 und NVFP4, die laut AWS unterschiedliche Speicherbedarfe und Hardware-Kompatibilitäten bieten.
So wird es auf AWS bereitgestellt
AWS beschreibt zwei Hauptwege zur Bereitstellung von Beam:
- Amazon SageMaker JumpStart Echtzeit-Endpunkt — ein vollständig verwalteter Weg, der Modell, Container und Endpunkt verpackt, ohne dass Kunden Kubernetes betreiben müssen.
- Amazon SageMaker HyperPod Inference — in Kombination mit JumpStart, SGLang oder vLLM für Kunden, die eine Kubernetes-native Kontrolle über verteilte GPU-Infrastruktur, Serving-Images, Laufzeitargumente, Quantisierung oder verteilte Ausführung benötigen.
AWS zufolge kann Beam über SageMaker JumpStart, den Hugging Face Hub oder einen optionalen Amazon-S3-Mirror bezogen werden.
Hardwareanforderungen
AWS zufolge erfordern die 501 Milliarden Gesamtparameter von Beam eine Multi-GPU-Bereitstellung. Für den BF16-Checkpoint, der den größten Speicherbedarf für die Gewichte hat, empfiehlt AWS, eine Multi-Node-Konfiguration mit ausreichendem aggregiertem GPU-Speicher zu planen. Für FP8 gibt AWS die Verwendung von Instanzen des Typs ml.p5.48xlarge mit NVIDIA-H100-GPUs oder ml.p5e.48xlarge und ml.p5en.48xlarge mit H200-GPUs an. Für NVFP4 gibt AWS Instanzen des Typs ml.p6-b200.48xlarge mit NVIDIA-B200-GPUs an.
AWS nennt mehrere Voraussetzungen für die Bereitstellung, darunter ein AWS-Konto mit den entsprechenden IAM-, Netzwerk- und Speicherberechtigungen, Zugriff auf Beam über SageMaker JumpStart oder Hugging Face, die Annahme der Modellbedingungen, die AWS CLI, Python 3.11 oder höher sowie GPU-Kontingent und -Kapazität für eine unterstützte Konfiguration.
Verfügbarkeit
Zum Start ist Beam laut AWS in Amazon SageMaker JumpStart in den Regionen USA Ost (Nord-Virginia) und USA Ost (Ohio) verfügbar.
Quelle: AWS Machine Learning Blog, "Introducing Reflection Beam: an open-weight model for agentic coding on AWS", veröffentlicht am 16. Oktober 2026.
Häufige Fragen
- Was ist Reflection Beam?
- Beam ist ein Open-Weight-Modell mit spärlicher Mixture-of-Experts-Architektur von Reflection AI, das laut AWS für agentische Coding-Aufgaben wie das Lösen von Softwareproblemen, das Ändern von Code und den Aufruf von Tools entwickelt wurde.
- Wie groß ist das Beam-Modell?
- AWS gibt an, dass Beam 501 Milliarden Gesamtparameter und 23 Milliarden aktive Parameter besitzt, mit einer angegebenen effektiven Kontextlänge von 1 Million Token.
- Wie können Entwickler Beam auf AWS bereitstellen?
- AWS beschreibt die Bereitstellung von Beam über einen SageMaker-JumpStart-Echtzeit-Endpunkt für einen verwalteten Weg oder über SageMaker HyperPod Inference mit JumpStart, SGLang oder vLLM für mehr Kontrolle über verteilte GPU-Infrastruktur.
- Wo ist Beam zum Start verfügbar?
- AWS zufolge ist Beam in SageMaker JumpStart in den Regionen USA Ost (Nord-Virginia) und USA Ost (Ohio) verfügbar.
Quellen
- Introducing Reflection Beam: an open-weight model for agentic coding on AWS | Artificial Intelligence — Amazon Web Services (AWS)