Beam 1.0 vs. Kolibri: Zwei Apache-2.0-Releases sind nicht dasselbe Release

Beam 1.0 und Kolibri sind die beiden am ehesten vergleichbaren Open-Weight-Veröffentlichungen des letzten Monats, und ein Vergleich zwischen ihnen ist nützlicher als der Vergleich eines der beiden mit einem Frontier-API-Modell, weil beide tatsächlich heruntergeladen werden können. Aleph Alphas Kolibri erschien am 3. Oktober 2026 — 78.103.074.560 Gesamtparameter, 3.457.573.120 aktive pro Token, ein validiertes Kontextfenster von 1.048.576 Token, Deutsch und Englisch, Apache 2.0. Reflections Beam 1.0 erschien am 16. Oktober 2026 mit 501,3 Milliarden Gesamtparametern, 23,4 Milliarden aktiven, 1 Mio. Token Kontext, Englisch und derselben Lizenz. Dieselbe Lizenz, eine ähnliche Sparsity-Philosophie und ansonsten fast nichts gemeinsam — genau deshalb sagt die Paarung mehr aus als ein Größenvergleich. Das eine wurde von einem Labor mit einem Argument zur Jurisdiktion gebaut; das andere von einem Labor mit einem Argument zu den Fähigkeiten.

Die beiden unterscheiden sich außerdem in einem Punkt, der die meisten realen Einsätze entscheidet, bevor auch nur eine einzige Benchmark-Zeile gelesen wird: was der Anbieter zusammen mit den Gewichten veröffentlicht hat. Aleph Alpha lieferte eine ungewöhnlich vollständige Darstellung davon, wie das Modell trainiert wurde — Datenherkunft, Energie, der gescheiterte Vorgänger, die genauen GPU-Stunden. Reflection lieferte einen Verifizierer, den man auf den eigenen Endpunkt richten kann. Das sind unterschiedliche Arten von Vertrauen, und welche Art davon Ihr Beschaffungsprozess akzeptiert, ist die erste Frage, die beantwortet werden muss.

Gleiche Lizenz, verschiedene Produkte

Beginne mit dem, was tatsächlich identisch ist, denn es ist weniger, als es aussieht.

• Lizenz — beide Apache 2.0, beide mit der Lizenz im Repository statt in einem Blog-Satz. Beams Karte ergänzt, dass Destillation, Fine-Tuning, Quantisierung und Merging nicht eingeschränkt sind. Kolibri enthält keine Zusatzklausel zur akzeptablen Nutzung, keinen Schwellenwert für monatlich aktive Nutzer und keine separaten kommerziellen Bedingungen.

• Sparsamkeitsstrategie — beide sind Mixture-of-Experts mit aggressiven Aktivierungsraten. Kolibri aktiviert 3,46 Mrd. von 78,1 Mrd., also rund 4,4 Prozent; Beam aktiviert 23,4 Mrd. von 501,3 Mrd., also rund 4,7 Prozent. Keines der Labore verkauft Ihnen ein dichtes Modell.

• Langer Kontext — Kolibri gibt ein natives Fenster von 262.144 Tokens an, mit bis 1.048.576 validierter Qualität und Serving-Effizienz; Beam gibt auf der Karte 1 Mio. und über die API 131.072 Tokens maximale Ausgabe an.

• Keine unabhängige Benchmark-Reproduktion — keine der Tabellen der beiden Anbieter wurde von einer dritten Partei überprüft. Artificial Analysis hat überhaupt keine Modellseite für Kolibri, während Beam 1.0 mit einem Intelligence Index von 30 aufgeführt wird, auf Platz 19 von 120 in Indexversion v4.3.2.

Diese letzte Zeile ist die erste echte Asymmetrie, und sie ist leicht zu übersehen. Beam hat eine externe Zahl; Kolibri hat keine. Eine 30 auf einem Index, der 120 Modelle abdeckt, ist keine schmeichelhafte Zahl, aber es ist eine Zahl, die Reflection nicht produziert hat, und für einen Käufer, der entscheidet, ob die Tabelle eines Anbieters vertrauenswürdig ist, wiegt die bloße Existenz einer unabhängigen Messung mehr als ihr Wert.

Was jeder Anbieter zu veröffentlichen beschloss

Die Veröffentlichungsdokumentation von Aleph Alpha ist das ungewöhnlichere Artefakt. Neben den Gewichten veröffentlichte Aleph Alpha 20 Billionen Pre-Training-Token aus einem gefilterten zweisprachigen Korpus – etwa 62,5 Prozent Englisch, 23,9 Prozent Deutsch, 13,6 Prozent Code – plus 3,44 Billionen Mid-Training-Token und 201 Milliarden für die Long-Context-Erweiterung. Die Rechenleistung wird mit 768 NVIDIA B200 auf 96 HGX-Knoten angegeben, mit 21 Tagen Pre-Training für 511 Stunden und 392.000 GPU-Stunden bei berichteten 6,4×10²³ FLOPs, wobei Mid-Training weitere fünf Tage und 90.000 GPU-Stunden und die Long-Context-Erweiterung weitere 13 Stunden und 10.000 GPU-Stunden hinzufügt. Der Energieverbrauch wird auf 9,5×10² MWh geschätzt, einschließlich Rechenzentrums-Overhead, und umfasst Pre-Training, Mid-Training und Long-Context-Training; ausgeschlossen sind Supervised Fine-Tuning und Reinforcement Learning.

Aus der Veröffentlichung dessen folgen zwei Dinge. Erstens hat eine Organisation mit einer Beschaffungsregel, die mit „Woher stammen die Trainingsdaten und welchem Recht unterliegen sie?“ beginnt, eine Antwort statt eines Gesprächs. Zweitens, und weniger angenehm, zeigt dieselbe Dokumentation, dass das Modell auf Aleph Alphas eigenem Harness gegen Qwen3.8 27B verliert — 75,5 gegenüber 80,2 im englischen Durchschnitt und 70,8 gegenüber 79,9 im deutschen Durchschnitt, wobei Qwen bei GPQA Diamond, LiveCodeBench v6, SWE-Bench Verified und beiden Long-Context-Benchmarks vorne liegt. Gemma 4 26B-A4B IT liegt bei den beiden Durchschnitten bei 71,9 und 66,3. Kolibris Argument ist nicht, dass es das stärkste Modell seiner Größe ist; es ist, dass es das stärkste Modell seiner Größe ist, dessen Training sich auditieren lässt. Diese Dokumentation ist der Grund, warum die Veröffentlichung als Forschung statt als Marketing gelesen wird: Aleph Alpha beschreibt, wie das Modell hergestellt wurde, weil es die Pipeline, nicht das Modell, zum Produkt machen will, und ein Labor, das eine Trainingspipeline verkauft, veröffentlicht die Zahlen, die zeigen, dass die Pipeline funktioniert hat.

Reflection hat etwas ganz anderes veröffentlicht. Das Release von Beam 1.0 umfasst Referenz-Serving-Konfigurationen, ein Helm-Chart, Day-zero-Support in Transformers, vLLM, SGLang, Unsloth, Axolotl, TokenSpeed und NVIDIA Dynamo sowie die beam-verifier-CLI, die eine Konformitätssuite gegen einen Live-Endpunkt ausführt und ihn dann anhand der wichtigsten Benchmarks bewertet, sodass ein Deployment gegen die Referenzwerte von Reflection geprüft werden kann. Was nicht enthalten ist, ist eine Preisliste: Die Dokumentation enthält eine ganze Seite zu Rate Limits und keinen Preis pro Million Token, und die Ankündigung sagt nur, dass die API zum Start kostenlos ist.

Was es kostet, jedes Einzelne zu betreiben

Keines von beiden wird in unserem Katalog angeboten, und wir werden auch nicht andeuten, dass es anders wäre. Bei beiden handelt es sich um Self-Hosted-Käufe, und die Hardware-Mindestanforderungen sind der eigentliche Preis.

• Beam 1.0 — der NVFP4-Build ist 273 GiB groß, und die Referenzkonfiguration besteht aus vier NVIDIA B300 SXM GPUs über NVLink, eine einzelne Box. FP8 ist 468,72 GiB groß und läuft auf acht H200s; BF16 ist 933,81 GiB groß und läuft auf acht B200s oder B300s. Ein 1,93-Mrd.-DFlash2-Drafter wird für spekulative Dekodierung mitgeliefert und bringt beim NVFP4-Checkpoint eine Beschleunigung der Dekodierung um das 1,7- bis 3,0-Fache. Die Serving-Rezepte halten den KV-Cache in FP8 E4M3 mit einer 64-Token-Seite.

• Kolibri — der FP8-Checkpoint ist die dokumentierte Serving-Präzision, mit 128×128-Blockgewichten und dynamisch quantisierten Aktivierungen, evaluiert mit einem FP8-KV-Cache, während Embeddings, der LM-Head, die Normalisierungsschichten und der MoE-Router in bfloat16 bleiben. Ein vLLM-Tool-Call-Parser ist im selben Repository wie die Gewichte enthalten, und das Repository ist nicht zugangsbeschränkt — ein Apache-2.0-Download statt einer Anfrage.

Der Vergleich, den ein Käufer tatsächlich anstellen sollte, betrifft nicht Benchmark-Zeilen. Es geht um einen selbst gehosteten Zwei-GPU-Endpoint, der auf Deutsch und Englisch antwortet und dessen Training sich dokumentieren lässt, gegenüber einem Vier-GPU-Endpoint, der beim Coding und bei agentischen Arbeiten stärker ist und dessen Trainingsdokumentation, soweit wir sie finden können, sich nicht auf GPU-Stunden oder Energie erstreckt.

Wenn Ihre Arbeitslast aus regulierten Dokumenten besteht, die das Gebäude nicht verlassen dürfen, ist Ersteres das Einzige, das die Diskussion beendet. Wenn Ihre Arbeitslast ein Engineering-Agent ist, ist Letzteres das Einzige mit einem Verifizierer.

Wenn Sie die Funktionalität ohne das Rack möchten

Beide Modelle beschreiben eine Klasse – MoE mit wenigen aktiven Parametern und einer permissiven Lizenz –, die bereits auf Routen bereitgestellt wird, die Sie heute aufrufen können, und die Alternative zu bepreisen ist der schnellste Weg, um zu entscheiden, ob sich der Besitz der Hardware lohnt.

• Gemma 4 26B-A4B IT — 0,06 $ pro Million Eingabe-Tokens und 0,33 $ pro Million Ausgabe-Tokens bei einem 262.144-Token-Fenster. Auf einem gerouteten Endpunkt das, was der Kolibri-Stufe am nächsten kommt, und das Modell, das Kolibri bei Aleph Alphas eigenen englischen und deutschen Durchschnittswerten tatsächlich schlägt.

• Qwen3.8-27B — $0,33 Eingabe und $2,40 Ausgabe, 262.144-Token-Kontext und Apache-lizenzierte offene Gewichte, wenn du sie lieber selbst betreibst, statt sie zu mieten.

• GLM-5.2 — 1,40 $ und 4,40 $ mit einem Fenster von 1.000.000 Tokens, für die Langkontext- und Coding-Arbeit, auf die Beam 1.0 abzielt.

• Kimi K3 — $3,00 Eingabe, $0,30 gecacht, $15,00 Ausgabe bei 1.048.576 Tokens, das Modell, von dem Reflection in seinem eigenen Launch-Post einräumt, dass es bei der reinen Leistungsfähigkeit voraus ist.

OrcaRouter bündelt dieses Set an Routen hinter einem einzigen OpenAI-kompatiblen Schlüssel, wobei der Listenpreis des Anbieters durchgereicht wird und nichts hinzukommt, sodass eine Preissenkung des Anbieters noch am selben Tag auf Ihrer Rechnung landet statt erst bei der nächsten Vertragsverlängerung, und ein automatisches Failover deckt den Fall ab, dass ein Anbieter unter Last an Leistung einbüßt. Ein nützliches Muster für alle, die einen souveränen Betrieb abwägen, ist, den regulierten Datenverkehr über einen selbst gehosteten Kolibri-Endpunkt laufen zu lassen und die allgemeine Arbeit über eine geroutete Stufe, wobei eine Routing-Regel entscheidet, was wohin gehört — ein Schlüssel, eine Konfiguration und eine Hardware-Entscheidung, die nur für die Dokumente gerechtfertigt werden muss, die sie benötigen.

Nach welcher Veröffentlichung Sie eigentlich gesucht haben

Wenn Sie nach offenen Gewichten gesucht haben, weil Sie eine Frage zu Herkunft, Gerichtsbarkeit oder Auditierbarkeit beantworten müssen, ist Kolibri die Veröffentlichung, die die Antwort liefert. Es ist nicht das stärkste Modell in seiner Größenklasse – Aleph Alphas eigene Tabellen sagen das – und es deckt zwei Sprachen ab, und seine empfohlene Serving-Konfiguration besteht aus zwei H100 SXM5 oder zwei H200 – oder aus einem einzelnen B200 oder B300, den die Hardware-Tabelle neben ihnen aufführt. Der Kompromiss ist explizit und für eine regulierte Bereitstellung wahrscheinlich richtig.

Wenn Sie nach offenen Gewichten gesucht haben, weil Sie einen Engineering-Agenten wollen, den Sie selbst betreiben können, dann ist Beam 1.0 das Release mit der Leistungsfähigkeit, dem Serving-Stack und den Verifikationswerkzeugen, und es verlangt vier B300s sowie eine Preisliste, die noch nicht geschrieben wurde. Der Tausch dabei ist Kapital und Unklarheit gegen ein Modell, das frontier-nahe Coding-Arbeit auf Ihrer eigenen Hardware erledigt.

Was die Gegenüberstellung zeigt, ist, dass „Open Weight“ vor einiger Zeit aufgehört hat, ein Unterscheidungsmerkmal zu sein. Zwei Apache-2.0-Veröffentlichungen von zwei Labs in zwei Wochen können eine Lizenz, eine Sparsity-Philosophie und ein Kontextfenster teilen und trotzdem Antworten auf völlig unterschiedliche Fragen sein. Sortiert man nach Lizenz, kommt man nicht weiter; sortiert man danach, auf welche Frage die Veröffentlichung eine Antwort geben sollte, landet man im richtigen Ordner.

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.