Beam 1.0 vs. Gemma 4 12B: 501 Milliarden Parameter gegen 12 – und was dieser Unterschied tatsächlich bringt

Eines dieser Modelle passt auf ein Laptop. Das andere braucht ein Rack, und der Unterschied zwischen ihnen beträgt den Faktor vierzig. Reflection Beam 1.0 ist ein sparse Mixture-of-Experts-Modell mit insgesamt 501,3 Milliarden Parametern, von denen pro Token 23,4 Milliarden aktiviert werden – am 5. Oktober 2026 von Reflection als Preview mit Warteliste angekündigt und am 16. Oktober 2026 tatsächlich als herunterladbare Gewichte unter Apache 2.0 in BF16-, FP8- und NVFP4-Builds ausgeliefert, zusammen mit einem kleinen DFlash2-Drafter für spekulative Dekodierung. G​emma 4 12B ist G​oogle DeepMinds encoderfreies dichtes Modell mit 11,95 Milliarden Parametern, veröffentlicht am 3. Juni 2026, das Text, Bilder, Audio und Videoframes liest, Text schreibt und sich so weit quantisieren lässt, dass es auf eine 16-GB-Maschine passt. Beide Lizenzen sind permissiv, beide Ausgaben sind Text, und beide sind genau jetzt auf Hugging Face. Fast nichts anderes an ihnen ist gleich, und die nützliche Frage ist nicht, welches klüger ist – sondern welches der beiden Ihr Problem ohne Bestellung löst.

Das spielt eine größere Rolle, als es normalerweise der Fall wäre, denn elf Tage lang war Beam 1.0 ein Modell, von dem man lesen konnte, das man aber nicht bekam. Die Ankündigung von Reflection vom 5. Oktober versprach Gewichte unter Apache 2.0 „später in diesem Monat“, und das Repository blieb leer. Seit dem 16. Oktober 2026 ist die Sammlung mit vier Repositories live, und die Modellkarte enthält eine vollständige Bewertungstabelle. Dieses Release ist der Grund, warum dieser Vergleich überhaupt als Vergleich geschrieben werden kann und nicht als Notiz zu einer Schlagzeile.

Wo die beiden stehen, in einem Durchgang

Alles Folgende ist entweder die eigene Dokumentation des Anbieters oder von Artificial Analysis. Wenn eine Zahl vom Anbieter stammt und niemand sie reproduziert hat, sagt diese Seite das dort, wo sie steht, statt in einem Disclaimer am Seitenende.

• Gesamtparameter — Beam 1.0 501,3B vs. Gemma 4 12B 11,95B. Das Verhältnis beträgt ungefähr 42 zu 1.

• Aktive Parameter pro Token — 23,4B vs. 11,95B. Das Verhältnis schrumpft auf etwa 2 zu 1 – und das ist der ganze Trick: Ein Sparse-Modell bezahlt nur für den Teil von sich selbst, den es nutzt.

• Architektur — Beam 1.0 ist ein 52-schichtiges MoE mit 256 Experten, drei dichten Schichten und 49 Experten-Schichten, abwechselnder lokaler und globaler Attention sowie Gated-Grouped-Query-Attention mit Sliding-Window-Attention; Gemma 4 12B ist dicht, 48 Schichten, ganz ohne multimodale Encoder — die Vision- und Audioverarbeitung ist in das Modell hineintrainiert statt nachträglich angebaut.

• Kontextfenster — Beam 1.0 1.000.000 Tokens auf der Modellkarte; G​emma 4 12B 262.144 Tokens. Beide sind der jeweils größte Wert, den ihre Familien bieten.

• Modalität — Beam 1.0 ist Text rein, Text raus, und auf seiner Karte steht es ganz klar; G​emma 4 12B nimmt Text, Bild, Audio und Video-Frames entgegen und gibt Text zurück.

• Lizenz — bei beiden Apache 2.0, kommerziell nutzbar, keine Begrenzung der Nutzerzahl. Dies ist der Punkt, an dem sich die beiden Modelle am ähnlichsten sind.

• Veröffentlichte Bewertung — Beam 1.0 liefert eine Bewertungstabelle über BF16-, FP8- und NVFP4-Checkpoints hinweg; die Modellkarte von Gemma 4 12B enthält Googles eigene Zahlen und wird seit Juni unabhängig bewertet.

• Unabhängiger Score — Artificial Analysis Intelligence Index v4.3.2 platziert Beam 1.0 bei 30, auf Platz 19 von 120 Modellen in seiner Vergleichsklasse, und G​emma 4 12B bei 14, auf Platz 20 von 141 — eine Differenz von 16 Punkten zugunsten des größeren Modells, wobei G​emmas Wert eine Fußnote „geschätzt“ trägt, weil die unabhängige Bewertung für das 12B noch ausstand.

Was Beam 1.0 tatsächlich ist, jetzt, da die Gewichte existieren

In der Modellkarte steht: 501,3 Milliarden Gesamtparameter, 23,4 Milliarden aktive Parameter, 52 Schichten, von denen drei dicht und 49 MoE sind, 256 Experten, ein Vokabular mit 152.000 Tokens, ein Wissensstichtag vom 30. Juni 2026 und eine reine Textmodalität. Das Chat-Template ist ein modifiziertes Harmony-Format mit zwei Kanälen – analysis und final – und einer reasoning_effort-Einstellung, die entweder eine Ganzzahl oder einen der Werte minimal, low, medium, high, xhigh und max akzeptiert, die 8, 32, 64, 128, 256 und 512 zugeordnet sind. Der Standardwert beim Serving, wenn der Parameter nicht gesetzt ist, lautet 512. Die Dokumentation des Templates selbst weist darauf hin, dass minimal mit 8 der kleinste Aufwand ist, der in den Trainingsdaten jemals abgetastet wurde, sodass ein kleineres Budget nicht respektiert wird.

Drei Dinge an dieser Spezifikation lohnen es, hervorgehoben zu werden, denn sie sind die Teile, die darüber entscheiden, ob du sie verwenden kannst.

Das Erste ist, dass die Effort-Einstellung keinen Ausschalter hat. Beam denkt immer nach; Sie wählen nur, wie viel. Für eine Agent-Schleife bedeutet das, dass jeder Turn ein Deliberationspräfix mit sich führt, das abgerechnet wird und, wenn Sie den Verlauf erneut abspielen, erneut abgerechnet wird. Das Template löst sogar einen Fehler aus, wenn allow_missing_thinking auf false gesetzt ist und ein vorheriger Assistant-Turn sein Reasoning verworfen hat, gerade weil das Entfernen die Ausgabe verschlechtert. Das sind dokumentierte Kosten, kein Bug.

Der zweite Punkt sind die quantisierten Builds. Reflection hat FP8- und NVFP4-Checkpoints am selben Tag wie das BF16-Modell veröffentlicht, zusammen mit dem DFlash2-Drafter. Das NVFP4-Repository ist mit 255B angegeben, gegenüber 501B beim BF16, und die Model Card schreibt die Quantisierung llm-compressor zu, mit Dank an NVIDIA-Mitarbeiter für die Beratung. Ein Vier-Bit-Build ab Tag null verändert, wer das überhaupt ausführen kann – 501B in bfloat16 sind rund ein Terabyte an Gewichten, was ein ganz anderes Beschaffungsgespräch ist als 255B bei vier Bit.

Das Dritte ist das, was fehlt. Auf der Karte gibt es keine Serving-Empfehlung, keine veröffentlichte Hardware-Mindestanforderung und nirgendwo auf Reflections eigenen Seiten einen veröffentlichten API-Preis. Die Seite von Artificial Analysis für das Modell führt die Preisfelder als nicht verfügbar und vermerkt „Keine öffentlich verfügbare API“ – was für ein Modell, dessen ganzes Verkaufsargument darin besteht, dass es günstig zu betreiben ist, genau die Zeile ist, die man ausgefüllt haben wollte.

Was G​emma 4 12B ist und warum die Größe das Argument ist

Googles Model Card nennt für Gemma 4 12B 11,95 Milliarden Parameter über 48 Schichten, einen Kontext von 262.144 Token, ein gemeinsames Vokabular von 262.000 Token für die gesamte Familie und ein gleitendes Fenster von 1.024 Token – doppelt so viel, wie die kleineren E2B- und E4B-Größen verwenden. Die Attention verschachtelt lokale Sliding-Window-Attention mit voller globaler Attention, und die letzte Schicht ist immer global. Es ist auf mehr als 140 Sprachen vortrainiert, mit angeblich sofort einsatzbereiter Unterstützung für 35 oder mehr.

Die interessante technische Entscheidung ist architektonischer Natur: Das Modell hat keine separaten Encoder. Googles Darstellung zufolge wurde die multimodale Verarbeitung eintrainiert statt angehängt, weshalb derselbe Checkpoint Vision und Audio bedient, ohne dass ein zweiter Satz Gewichte geladen werden muss. Auf einem Gerät ist das der Unterschied zwischen einem einsatzfähigen Modell und einer Pipeline.

Google hat außerdem quantisierungsbewusstes Training ausgeliefert, statt sich auf einen Post-hoc-Quantisierer zu verlassen, und veröffentlicht ein QAT-GGUF mit ungefähr 6,98 GB für die Gewichte plus einen kleinen multimodalen Projektor. Community-Quantisierungen gehen noch weiter herunter: Der häufig gespiegelte Unsloth-Build reicht von etwa 4,2 GB bei den aggressivsten 2 Bit über 7,12 GB bei Q4_K_M bis 12,67 GB bei Q8_0. Apple-Silicon-MLX-Builds liegen bei etwa 12,7 GB bei 8 Bit. Der vollpräzise instruction-getunte Checkpoint hingegen ist eine einzelne 23,92 GB große safetensors-Datei — der rohe bfloat16-Fußabdruck vor jeglichem KV-Cache, die Zahl, die zeigt, dass eine 16-GB-Maschine ihn unquantisiert nicht fassen kann und eine 24-GB-Karte schon.

Unabhängige Bewertung ist seit kurz nach der Veröffentlichung verfügbar, was die Asymmetrie ist, die sich durch diese ganze Seite zieht. Artificial Analysis misst das 12B-Modell mit 14 auf dem Intelligence Index v4.3.2, 117,6 Ausgabe-Tokens pro Sekunde, 2,43 Sekunden bis zum ersten Token und 0,10 $ pro Million Eingabe-Tokens gegenüber 0,30 $ pro Million Ausgabe-Tokens. Googles eigene Modellkarte meldet 78,2 bei MMLU Pro, 77,8 bei GPQA Diamond, 77,5 bei AIME 2026 ohne Tools, 72,0 bei LiveCodeBench v6 mit einem Codeforces-ELO von 1659, 69,1 bei MMMU Pro und 43,4 bei MRCR v2 bei 128K mit acht Nadeln.

Der Vergleich, den es nicht gibt

Die Modellkarte von Beam 1.0 meldet SWE-bench Verified mit 81,6 % auf dem BF16-Checkpoint, 80,2 % auf FP8 und 80,7 % auf NVFP4; Terminal Bench v2.1 mit 80,1, 78,9 und 78,4; SWE Bench Pro v1 mit 66,1, 65,9 und 65,6; DeepSWE v1.1 mit 43,3, 43,0 und 42,7; GPQA Diamond mit 90,6, 90,3 und 89,3; AIME 2026 mit 97,7, 98,0 und 97,5; LiveCodeBench mit 88,3, 88,1 und 87,4; MCP Atlas mit 80,8, 81,5 und 80,5 und IFBench mit 79,6, 80,7 und 79,2. Die Evaluierungen verwendeten Temperatur 0,7 und Top-p 0,99. All das ist die eigene Berichterstattung von Reflection, und nichts davon wurde von einer dritten Partei reproduziert.

Die Model Card von G​emma 4 12B gibt eigene Zahlen an, die ebenfalls auf der Ebene einzelner Benchmarks nicht reproduziert wurden, und Artificial Analysis hat das Modell unabhängig bewertet. Nun stelle die beiden nebeneinander und versuche zu subtrahieren. Das geht nicht. Beams Tabelle ist eine Frontier-Modell-Tabelle für agentisches Coding und Tool-Use-Benchmarks. G​emmas ist eine Tabelle mit Benchmarks für multimodales Verständnis und Reasoning. Wo sich die beiden überschneiden — im Wesentlichen GPQA Diamond und AIME —, sind die Harnesse, die Reasoning-Effort-Einstellungen und die Sampling-Parameter auf der einen Seite nicht dokumentiert und auf der anderen unbekannt. Ein 90,6 gegen ein 77,8 bei GPQA liest sich wie ein 13-Punkte-Abstand, und es ist ein Vergleich des Setups eines Labors mit dem eines anderen Labors.

Die einzige Zahl auf dieser Seite, bei der eine einzelne Organisation beide Modelle gemessen hat, ist der Intelligence Index, und dort beträgt der Abstand 30 zu 14. Das ist eine echte Messung durch einen Dritten im Rahmen eines dokumentierten Composite. Außerdem ist es ein Abstand von 16 Punkten für ein Modell mit 42-mal so vielen Parametern und – nach den verfügbaren Belegen – einer völlig anderen Einsatzklasse. Niemanden sollte das überraschen.

Was jede einzelne tatsächlich im Betrieb kostet

Weder Beam 1.0 noch Gemma 4 12B stehen in unserem Katalog. Was OrcaRouter aus der Gemma-4-Familie weiterleitet, sind die beiden Größen, die wir führen: Gemma 4 26B A4B für 0,06 $ pro Million Eingabe-Tokens und 0,33 $ pro Million Ausgabe-Tokens mit einem Kontext von 262.144 Token, und Gemma 4 31B für 0,13 $ und 0,38 $ — Listenpreis des Anbieters ohne Aufschlag durchgereicht, abgelesen aus unserer eigenen Modellliste am 16. Oktober 2026. Beam 1.0 gehört nicht zu unserem Angebot, und diese Seite tut auch nicht so, als wäre es anders; der Weg, es heute zu nutzen, ist, es aus Reflections Hugging-Face-Sammlung herunterzuladen oder Reflections eigene API aufzurufen.

Damit bleibt der ehrliche Kostenvergleich ein Hardwarevergleich, und das ist die Version davon, die hier tatsächlich zählt. Wenn Sie die Maschine bereits besitzen, sind G​emma 4 12B bei vier Bits ein Download und ein Nachmittag. Wenn nicht, ist das nutzungsabhängig abgerechnete Äquivalent des 12B ungefähr das Günstigste auf unserer Liste – dreißig Cent pro Million Ausgabe-Token –, während ein 501B-Modell mit 23B aktiven Parametern eine GPU-Miete ist, für die Ihnen nirgendwo ein Preis genannt wurde, weil Reflection keinen Tarif veröffentlicht hat.

Welches der beiden ist dein Modell?

Wählen Sie G​emma 4 12B, wenn die Arbeit multimodal ist, wenn sie auf Hardware laufen muss, die Ihnen bereits gehört, oder auf einem Gerät, das Sie ausliefern, wenn eine Latenz von wenigen hundert Millisekunden bis zum ersten Token akzeptabel ist und wenn ein 256K-Kontext Ihre Dokumente abdeckt. Das encoderfreie Design und das quantisierungsbewusste Training richten sich beide direkt an diese Leserschaft, und die Apache-2.0-Lizenz bedeutet, dass Sie ein Derivat ausliefern können, ohne ein Gespräch mit G​oogle zu führen. Der Preis dieser Wahl ist die Leistungsfähigkeit: 14 auf dem unabhängigen Index liegt weit unterhalb der Spitze, und das Benchmark-Set, das für Sie am wichtigsten ist – agentisches Programmieren, Reasoning im Repository-Maßstab –, ist nicht das Set, das G​oogle veröffentlicht hat.

Wähle Beam 1.0, wenn die Arbeit Coding, Tool-Nutzung und langhorizontige agentische Ausführung umfasst, wenn du Cluster-Zugriff oder einen Serving-Partner hast und wenn du eine nicht bepreiste API und ein dauerhaft aktives Reasoning-Budget verkraften kannst. Die veröffentlichten Benchmarks zielen genau auf diese Arbeitslast ab, der 4-Bit-Build macht die Hardware-Diskussion wesentlich einfacher, als die Parameteranzahl vermuten lässt, und die Lizenz enthält keine Einschränkung, die ein kommerzielles Fine-Tuning verhindern würde.

Wähle keines von beiden, wenn du tatsächlich diese Woche eine Antwort brauchst. Beide sind Modelle, die du selbst betreiben musst. Die Vergleiche, die für diese Entscheidung zählen – ein bereitgestelltes Modell zu einem veröffentlichten Tarif, mit einem Schlüssel, den du bereits hast –, stehen auf einer anderen Seite, und hier geht es um die beiden Enden des Open-Weights-Spektrums statt um die Mitte, in der der Großteil des Produktions-Traffics angesiedelt ist.

Was würde diese Seite verändern?

Zwei Dinge. Ein unabhängiger Benchmark, der Beam 1.0 und G​emma 4 12B auf dieselbe Testumgebung bei gleichem Aufwand setzt, würde den obigen Nur-Index-Vergleich durch etwas Subtrahierbares ersetzen, und die Tatsache, dass Beams Gewichte jetzt öffentlich sind, bedeutet, dass jeder ihn ausführen kann. Ein veröffentlichter Preis für Beams API – oder für ein gehostetes FP8- oder NVFP4-Deployment – würde den Kostenabschnitt von einem Hardware-Argument in eine Preisliste verwandeln. Bis eines davon eintrifft, lautet die zutreffende Zusammenfassung so: Die Parameterlücke von 40 zu 1 erkauft etwa 16 Punkte unabhängig gemessener Intelligenz und einen anderen Satz Benchmarks, und sie kostet dich einen Platz, an dem du sie unterbringen kannst.

Ein Ergebnis wie dieses ist auch eine Erinnerung daran, dass Modellfehler bereits dokumentiert sind: Die KI-Vorfälle und Agenten-Ausfälle hinter Modellen dieser Klasse werden im OrcaRouter AI Incident Archive gesammelt, wobei jeder Eintrag eigene Quellen, einen Schweregrad, eine Konfidenzstufe und eine Kennzeichnung als umstritten trägt.