Beam 1.0 vs. Clef Flash: Der eine schreibt Code, der andere kann keinen Satz schreiben

Setze Beam 1.0 und Clef Flash nebeneinander, und der Vergleich wirkt absurd, bis dir auffällt, worum es eigentlich geht. Beam 1.0 ist Reflections Mixture-of-Experts-Modell mit 501,3 Milliarden Parametern, veröffentlicht mit Apache-2.0-Gewichten am 16. Oktober 2026 und entwickelt für Coding, Reasoning und langfristige agentische Arbeit; es liest Text und schreibt Text. Cloudflares Clef Flash ist ein Modell mit 9 Milliarden Parametern, das überhaupt keinen Textausgabepfad hat – keinen eingeschränkten, keinen. Es nimmt einen Zustand plus ein Schema typisierter Fragen und gibt für jede erlaubte Antwort eine Wahrscheinlichkeit zurück. Jede Seite, die diese beiden anhand von Benchmark-Werten gegeneinander antreten lässt, hat beide missverstanden. Die nützliche Frage ist, welchen Platz in einer Pipeline jedes von ihnen einnimmt, denn in einem gut gebauten System sind sie keine Rivalen; sie sind benachbarte Stufen.

Diese Nachbarschaft sollte man genau verstehen, denn sie erklärt eine Klasse von Produktionsfehlern, die kein Single-Model-Benchmark aufdeckt: den Parser, den du an ein Chat-Modell angefranst hast, weil er das Einzige war, das du hattest, und die einundfünfzigste Antwort von hundert, die nicht in dein Schema passte.

Was jedes Modell tatsächlich zurückgibt

Beginne mit der Form der Ausgabe, denn alles andere folgt daraus.

• Beam 1.0 — Freitext, mit verpflichtendem Reasoning. Unterstützte Effort-Stufen sind low, medium, high, xhigh und max, und max ist der Standard, sodass die Standardkonfiguration am längsten nachdenkt. Reasoning, Tool-Calling und strukturierte Ausgaben werden alle unterstützt, und strukturierte Ausgaben plus ein JSON-Schema sind das, was bei Beam einer eingeschränkten Rückgabe am nächsten kommt.

• Clef Flash — eine Verteilung über eine deklarierte Antwortmenge. In der Dokumentation von Cloudflare wird ein Vorwärtsdurchlauf beschrieben, der jede zulässige Option bewertet; es gibt keinen Generierungsschritt und daher auch keinen Parse-Schritt. Die eigene Darstellung des Anbieters ist, dass es sich um ein Entscheidungsmodell handelt, und das zweite Produkt in der Veröffentlichung war eine Fine-Tuning-Plattform für Reinforcement Learning, um mehr davon zu erstellen.

Der praktische Unterschied besteht darin, was passiert, wenn die Eingabe außerhalb des vorgesehenen Bereichs liegt. Ein Textmodell, das etwas außerhalb seiner Kompetenz gefragt wird, erzeugt selbstsichere Prosa, und Ihr System muss das erkennen. Clef Flash erzeugt Wahrscheinlichkeiten, die sich über die von Ihnen vorgegebenen Optionen zu eins summieren, was bedeutet, dass eine Eingabe außerhalb des vorgesehenen Bereichs als flache Verteilung statt als plausibler Satz erscheint – vorausgesetzt, Sie haben dafür einen Schwellenwert eingebaut, den der Anbieter nicht liefert. Die von Cloudflare selbst veröffentlichte Tabelle weist diesen Fall als die schwächste Zelle des Modells aus.

Die Bewertungen überschneiden sich nicht, und das ist das Ergebnis.

Die Ergebnisse von Clef Flash stammen aus dem Jev Decision Index und einer Reihe entscheidungsspezifischer Suiten, die alle von Cloudflare ausgeführt werden, und mehrere werden gegen den eigenen Benchmark eines Konkurrenten getestet — Jev wird von TypeSafe veröffentlicht, dem Anbieter des Modells, gegen das Clef Flash gemessen wird. In diesen Suiten sind die Zahlen stark: BFCL case-exact 98.8, API-Bank 93.1, eine Haushaltsgeräte-Simulation bei 97.7, ContractNLI macro-F1 84.3, RouterBench 79.9. Clef Flash liegt knapp vor dem größeren 27B Clef auf BFCL, bei API-Bank und in der Haushaltsgeräte-Suite, bei letzterer um vierzehn Punkte. Nichts davon wurde unabhängig reproduziert.

Beams Evaluationsregime ist grundlegend anders. Die Modellkarte von Reflection nennt agentische und Software-Engineering-Benchmarks – SWEBench Verified 81,6, Terminal Bench v2.1 80,1, DeepSWE v1.1 43,3, GPQA Diamond 90,6 auf dem BF16-Checkpoint – alle vom Anbieter gemeldet. Die einzige externe Zahl stammt von Artificial Analysis, die Beam 1.0 mit einem Intelligence Index von 30 aufführt, auf Rang 19 von 120 Modellen in Indexversion v4.3.2, und weder Preis noch Geschwindigkeit erfasst, weil dort für das Modell weiterhin „Keine öffentlich verfügbare API“ steht. In der Spalte von Clef Flash gibt es nichts, was einem Intelligence Index entspricht, und in der Spalte von Beam nichts, was einem fallgenauen Router-Score entspricht. Sie liegen nicht auf derselben Achse.

Was sich vergleichen lässt, ist die Kostenstruktur, und hier liegen die beiden an entgegengesetzten Extremen. Cloudflare hostet Clef Flash auf Workers AI für 0,038 $ pro Million Input-Tokens, wobei Output-Tokens mit null berechnet werden, weil es keine gibt – etwa ein Sechstel der 0,24 $, die dieselbe Preisliste für das größere 27B Clef verlangt, und knapp unter den 0,042 $, die wir für ein Entscheidungsmodell berechnen, das dieselbe Anfrageform bedient. Beam 1.0 hat überhaupt keinen veröffentlichten Preis pro Million Tokens – Reflections Dokumentation enthält eine vollständige Seite zu Rate-Limits und keine Preisliste. Selbst-Hosting ist der einzige bepreiste Weg, und er beginnt bei vier NVIDIA B300 GPUs.

Wo jedes einzelne in einem realen System hingehört

Die ehrliche Antwort ist, dass Clef Flash einen Schritt ersetzt, den Sie wahrscheinlich schlecht ausführen, und Beam 1.0 einen Schritt ersetzt, den Sie wahrscheinlich teuer ausführen.

Clef Flash zielt auf Klassifizierung, Routing, Gating und Triage innerhalb einer Agentenschleife ab – überall dort, wo die korrekte Ausgabe eine aus einer bekannten Menge von Labels ist und die Kosten einer fehlerhaften Antwort eine nachgelagerte Ausnahme sind. Sein veröffentlichtes Latenzprofil, grob 38,8 ms im Median und 122,4 ms bei p95, ist dort der Teil, auf den es ankommt, denn es wird in einem Regime gemessen, in dem die Time-to-First-Token eines Textmodells nicht gemessen wird.

Das Ziel von Beam 1.0 ist die Arbeit selbst: GitHub-Issues lösen, in einer CLI arbeiten, mehrstufige Tool-Workflows ausführen. Das Argument, das Reflection vorbringt, ist Token-Effizienz statt Spitzenleistungsfähigkeit – die Model Card behauptet eine vergleichbare Lösungsqualität wie führende offene Modelle bei etwa dreimal weniger Reasoning-Tokens zur Inferenzzeit, und die stärkste Stütze dafür ist, dass Artificial Analysis über den Intelligence Index hinweg 79 Mio. Ausgabe-Tokens für Beam verzeichnet – gegenüber einem Median von 130 Mio. und Platz zehn von 46 bei diesem Maß. Bei einem langen Agentenlauf, bei dem jede Runde die vorherige Konversation erneut abspielt, ist das der Posten, der sich über die Zeit summiert.

Keines der beiden steht in unserem Katalog, und wir werden nichts anderes suggerieren. Clef Flash läuft auf Cloudflares eigenen Edge-GPUs, und die Apache-2.0-Gewichte stehen Ihnen zum Selbsthosten zur Verfügung; die Gewichte von Beam 1.0 sind auf Hugging Face unter Apache 2.0 verfügbar, mit einer First-Party-API, die keinen veröffentlichten Preis hat.

Der Grund, beide erreichbar zu halten

Eine Pipeline, die am Eingang ein Entscheidungsmodell und dahinter ein Reasoning-Modell verwendet, ist eine strikt bessere Architektur als eine, die für beides ein einziges Chat-Modell nutzt, und die Kosten, sie so zu bauen, sind die operativen Kosten einer zweiten Abhängigkeit – ein zweiter Vertrag, ein zweiter Satz Schlüssel, ein zweiter Fehlermodus. Das ist der Teil, den ein Router beseitigt, und nicht der Modell-Teil.

Wenn die Gate-Schritte in Ihrem System diejenigen sind, die Clef Flash beschreibt, ist das nächstgelegene bereits geroutete Äquivalent Jev 1.13 von TypeSafe – das Modell, das Cloudflare als sein Benchmark-Pendant gewählt hat, API-kompatibel mit der Request-Form von Clef Flash, und in unserem Katalog für 0,042 $ pro Million Input-Tokens mit Output-Abrechnung bei null und einem Kontext von 65.536 Token.

Für die Reasoning-Stufe hinter dem Gate führt unser Katalog die Modelle, an denen Beam bemessen wird: GLM-5.2 zu $1,40 und $4,40 pro Million Tokens mit einem Fenster von 1.000.000 Tokens, Kimi K3 zu $3,00 und $15,00 mit 1.048.576 sowie Qwen3.8-Max zu $2,00 und $6,00. Ein einziger OpenAI-kompatibler Schlüssel deckt sie alle ab, der Listenpreis des Anbieters wird ohne Aufschlag weitergegeben, und automatisches Failover sorgt dafür, dass die Gate-Stufe nicht dunkel wird, weil ein Anbieter eine schlechte Minute hatte.

Sie können die beiden Stufen auch auf unterschiedlichen Modellen belassen, ohne sich auf eines festzulegen: Eine Routing-Regel, die Schema-Klassifizierungs-Traffic an den Decision-Endpunkt und Freitext-Arbeit an ein Reasoning-Modell weiterleitet, ist der Normalfall der Routing-DSL, und sie bedeutet, dass die Genauigkeit der Decision-Stufe und die Kosten der Reasoning-Stufe unabhängig voneinander justiert werden können, statt innerhalb der Parameteranzahl eines einzigen Modells gegeneinander abgewogen zu werden.

Nach welchem du eigentlich suchst

Wenn du hier gelandet bist, weil dein Agent gelegentlich einen JSON-Blob ausgibt, den dein Parser zurückweist, willst du kein Modell mit 501 Milliarden Parametern. Du willst das Entscheidungsmodell, und die Frage, die du stellen solltest, ist, ob deine Antwortmenge wirklich aufzählbar ist und wie deine Enthaltungspolitik aussieht – denn Clef Flash liefert dir Wahrscheinlichkeiten, keine Ablehnung.

Wenn Sie hier gelandet sind, weil die Rechnung Ihres Coding-Agenten von Reasoning-Tokens dominiert wird, die Sie nicht sehen können, wollen Sie keinen Klassifikator mit 9 Milliarden Parametern. Sie wollen Beam 1.0 oder eines der Modelle, an denen es gemessen wird, und die Frage, die Sie stellen sollten, ist, ob Sie es hosten können oder ob Sie auf eine Preisliste warten, die noch nicht veröffentlicht wurde.

Das Einzige, was eine direkte Gegenüberstellung richtig trifft, ist, dass beide Wetten auf dieselbe These von entgegengesetzten Enden aus sind: dass der teure Teil eines Agenten nicht die Antwort ist, sondern alles um ihn herum. Cloudflares Antwort besteht darin, die Generierung aus den Schritten zu entfernen, die sie nie brauchte. Reflections Antwort besteht darin, die Generierung pro Token des Denkens günstiger zu machen. Zusammen eingesetzt kosten sie weniger als jede für sich allein eingesetzt, was ein besseres Ergebnis ist, als Ihnen die Benchmark-Tabelle des jeweiligen Anbieters verraten wird.

Nichts davon ist hypothetisch: Die dokumentierten KI-Ausfälle und Agent-Vorfälle, die hinter Releases wie diesem stehen, finden sich im OrcaRouter AI Incident Archive, wo jeder Eintrag seine eigenen Quellen, seinen Schweregrad, seinen Konfidenzgrad und sein Umstritten-Flag führt.