Muse Wonder vs. Reflection Beam: Das eine ist eine Preisliste, das andere ein Versprechen

Sieben Tage Abstand, aus entgegengesetzten Richtungen. Meta machte Muse Wonder am 12. Oktober 2026 auf der Meta Model API und in Muse Code allgemein verfügbar, zu 4,00 $ pro Million Eingabe-Tokens und 20,00 $ pro Million Ausgabe-Tokens, mit einem Kontextfenster von 1.048.576 Tokens und ohne jeglichen Download. Reflection kündigte Reflection Beam am 5. Oktober 2026 an – ein Sparse-Mixture-of-Experts-Modell mit insgesamt 501 Milliarden Parametern und 23 Milliarden aktiven Parametern pro Token –, mit den unter Apache 2.0 zugesagten Gewichten, einer Vorschau mit Warteliste hinter einer Anmeldewand und keinem veröffentlichten Preis auf einer der unternehmenseigenen Plattformen.

Was bedeutet, dass die ehrliche Einordnung dieses Duells nicht Modell gegen Modell lautet. Es ist eine Preisliste gegen ein Versprechen. Eines davon können Sie heute Nachmittag aufrufen und werden es nie besitzen; das andere werden Sie möglicherweise irgendwann besitzen und können es heute überhaupt nicht aufrufen. Wenn Sie einen Standard für eine Arbeitslast wählen, die in diesem Quartal ausgeliefert wird, entscheidet diese Unterscheidung mehr als jede Benchmark-Zeile, und es lohnt sich, ausdrücklich zu sagen, dass keine der beiden Seiten ein Seitenhieb auf das andere Labor ist.

Sieben Tage, zwei Reiserichtungen

Muse Wonder erschien als fertiges kommerzielles Produkt mit einer ungewöhnlich dünnen öffentlichen Dokumentation darunter. Das Modell ist aufrufbar, der Preis ist aufgeführt, die Parameteroberfläche ist aufgelistet — eine Reasoning-Aufwandsleiter von minimal bis maximal mit einem Standardwert medium, eine Ausgabegrenze von 943.718 Tokens, wobei jedes Reasoning-Token zum Ausgabetarif abgerechnet wird — und ein zweiter Checkpoint, Muse Wonder Full, erscheint im selben Launch mit einer höheren Punktzahl, aber nur innerhalb eines Muse-Code-Abos und wird überhaupt nicht pro Token verkauft. Was M​eta nicht ausgeliefert hat, ist irgendetwas Herunterladbares. Es gibt keine Veröffentlichung einer Modellkarte, keinen Checkpoint, keine Lizenzgewährung.

Reflection machte es umgekehrt. Beams Launch-Beitrag ist eine Forschungsankündigung mit einem daran geknüpften Serving-Versprechen: Benchmark-Tabellen, ein Pre-Training-Bericht, der 6.144 GB300-NVL72-Systeme und einen vierwöchigen Lauf über 23,8 Billionen Token nennt, eine Reinforcement-Learning-Phase auf 10.500 GB300s mit mehr als 100 Millionen Rollouts und rund 1,3 Milliarden Sandboxes sowie eine konkrete Lizenzzusage — die Gewichte, der technische Bericht, die Modellkarte und Entwickler-Artefakte werden unter Apache 2.0 folgen, nach den eigenen Worten des Unternehmens, später im Monat. Nicht ausgeliefert wurden am 5. Oktober: ein Preis, ein Serving-Kontextfenster, eine maximale Ausgabegröße oder eine Datei.

Zwei Labore, eine Woche, und dazwischen das gesamte Spektrum dessen, was „released“ im Jahr 2026 bedeuten kann.

Was jede einzelne tatsächlich veröffentlicht hat

Jede der unten aufgeführten Zahlen stammt vom Anbieter selbst, und wo es keine Zahl gibt, ist genau das der Befund.

• Aufrufbarkeit — Muse Wonder ist seit dem 2026-10-12 allgemein verfügbar auf der Meta Model API unter muse-wonder-1.0 und innerhalb von Muse Code; die Vorschau von Reflection Beam ist eine Warteliste für „eine begrenzte Anzahl von Nutzern“, ohne Self-Serve-Pfad in

• Preis — Muse Wonder 4,00 $ Eingabe / 0,20 $ zwischengespeicherte Eingabe / 20,00 $ Ausgabe pro Million Tokens, veröffentlicht; Reflection Beam ist nirgends auf Reflections eigenen Properties veröffentlicht, daher ist jeder Dollarbetrag, den Sie damit verbunden gesehen haben, eine Schätzung und kein Listenpreis

• Kontext — Muse Wonder 1.048.576 Token; die API-Dokumentation von Reflection Beam nennt ein Serving-Limit von 256.000 Token mit einer Fußnote, die warnt, dass sich die Zahl während der Beta ändern kann, während der Launch-Post separat sagt, dass Midtraining des Modells effektiven Kontext auf 1 Mio. Token erweitert. Das sind eine trainingsseitige Fähigkeit und ein Serving-Limit, kein Widerspruch — aber nur eine davon ist eine Zahl, auf die man bauen kann

• Maximale Ausgabe — Muse Wonder 943.718 Tokens; Reflection Beam nicht veröffentlicht

• Modalität – Muse Wonder nimmt Text, Bild, Sprache, Video und Dateien entgegen und gibt Text zurück; Reflection Beam ist Text rein, Text raus

• Gewichte — Muse Wonder: keine, und keine angekündigt; Reflection Beam: Apache 2.0 versprochen, bis heute nicht veröffentlicht

• Unabhängige Punktzahl — Muse Wonder 52 auf Artificial Analysis' Intelligence Index, auf Platz 9 von 219; Reflection Beam hat keinen Eintrag in diesem Ranking oder bei irgendeiner anderen unabhängigen Bewertungsstelle, die wir finden können

• Architektur — Muse Wonder nicht offengelegt; Reflection Beam 501B gesamt / 23B aktiv, ein angegebenes Verhältnis von etwa 4,6%

Die Asymmetrie in dieser Liste ist die ganze Geschichte. Muse Wonder hat einen Preis und ein Ziel und kein Artefakt. Reflection Beam hat ein Artefakt versprochen und weder einen Preis noch ein Ziel.

Die Effizienzbehauptung ist diejenige, die man auf Distanz halten sollte

Reflections interessanteste Behauptung ist kein Benchmark-Ergebnis. Sie besteht darin, dass Beam Programmier- und Agentenfähigkeiten mit „hocheffizientem Reasoning“ kombiniert und dabei auf fortgeschrittenen Reasoning-Benchmarks Werte erreicht, die mit GLM-5.2 vergleichbar sind, während es 3–4× weniger Inferenz-Rechenleistung benötigt – wobei der Abstand gegenüber Modellen aus der 2T+-Parameterklasse wie Qwen 3.8-Max größer wird. Das Diagramm hinter dieser Behauptung ist ein Anbieterdiagramm, auf den eigenen Achsen eines Anbieters, und es ist nicht reproduziert – doch die zugrunde liegende Arithmetik ist nicht exotisch. Inferenz-FLOPs skalieren grob mit dem Zweifachen der Anzahl aktiver Parameter multipliziert mit der Anzahl generierter Tokens, sodass ein Modell mit 23B aktiven Parametern, das für eine Aufgabe vergleichbare Ausgaben erzeugt, pro Aufgabe tatsächlich weniger kostet als eines mit 40B oder 100B aktiven Parametern. Die Architektur ist das Argument, und was die Architektur betrifft, ist Beams Argumentation schlüssig.

Was fehlt, ist der Nenner. Compute pro Aufgabe ist ein Verhältnis, und das veröffentlichte Material liefert uns die Parameterseite davon und nichts auf der Token-Seite. Reflection veröffentlicht für keinen seiner Benchmark-Läufe eine Anzahl der Ausgabe-Token. Es gibt keinen Ausführlichkeitswert, keine Tokens-pro-Aufgabe-Messung, keinen unabhängigen Lauf.

Muse Wonder hingegen weist genau diese Zahl auf, und der Effekt ist der entgegengesetzte. Artificial Analysis hat Muse Wonder (max) während seiner Intelligence-Index-Bewertung bei 130 Millionen verbrauchten Output-Tokens gemessen – gegenüber einem Median von 85 Mio. bei vergleichbaren Modellen – und bei etwa 4,52 US-Dollar pro Index-Aufgabe. Die eigene Bezeichnung des Bewerters für dieses Verhalten lautet „etwas weitschweifig“. Muse Wonder ist ein Frontier-Modell zu einem Frontier-Preis, und es bezahlt seinen Score mit Output-Tokens, denn Reasoning-Tokens werden zum Output-Tarif abgerechnet – was die mit Abstand folgenreichste Zeile in Metas eigener Dokumentation zur Preisgestaltung ist.

Die beiden Labore setzen also auf entgegengesetzte Wetten, und keines hat die Zahlen veröffentlicht, die das entscheiden würden. Meta hat eine messbare Ausführlichkeit und keine offengelegte Parameteranzahl, also kann man seine FLOPs pro Token nicht berechnen. Reflection hat eine offengelegte Parameteranzahl und keine gemessene Ausführlichkeit, also kann man seine Tokens pro Aufgabe nicht berechnen. Wer Ihnen sagt, Beam sei drei- bis viermal günstiger im Betrieb als Muse Wonder, der vergleicht ein Parameterverhältnis mit einer Tokenanzahl, die es nicht gibt.

Sparsity erkauft geringere Inferenzkosten, nicht mehr Leistungsfähigkeit

In der Zahl 501B steckt eine zweite Falle, und man tappt leicht hinein, weil die Zahl so groß ist. Die Gesamtparameterzahl eines Sparse-Mixture-of-Experts-Modells ist eine Speicher- und Vor-Trainings-Statistik, keine Rechenstatistik pro Token. Jedes Token, das Beam generiert, berührt etwa 23 Milliarden seiner 501 Milliarden Parameter. Die übrigen 478 Milliarden bleiben bei diesem Aufruf ungenutzt. Beam ist kein 501-Milliarden-Parameter-Modell in dem Sinne, wie es ein dichtes Modell dieser Größe wäre, und die Angabe neben der nicht offengelegten Größe von Muse Wonder lädt zu einem Vergleich ein, der nichts bedeutet.

Wo das Verhältnis wirklich zählt, ist das Deployment. Ein 501B-Checkpoint in BF16 liegt in der Größenordnung von einem Terabyte an Gewichten, und die Anzahl der aktiven Parameter verringert nicht den Speicherbedarf – nur den Rechenaufwand. Beam selbst zu betreiben bedeutet entweder einen großen Multi-GPU-Knoten oder eine starke Quantisierung, und Quantisierung ist genau die Art von Sache, die man erst bewerten kann, wenn Gewichte existieren. Das ist der zweite Grund, warum die Apache-2.0-Veröffentlichung hier das Ereignis ist, auf das es ankommt, und nicht eine Fußnote: Sie macht aus einer vielversprechenden Architektur etwas, das man auf der eigenen Hardware messen kann, mit der eigenen Batch-Größe und den eigenen Prompts.

Metas Position auf derselben Achse ist die entgegengesetzte. Die Architektur von Muse Wonder ist nicht offengelegt, und die Deployment-Story besteht vollständig aus der API von jemand anderem. Sie werden es nicht quantisieren, nicht für eine regulierte Arbeitslast vor Ort betreiben und nicht feinabstimmen. Sie mieten es zu einem Listenpreis, auf unbestimmte Zeit.

Wo die Zahlen des Anbieters und die unabhängigen Zahlen voneinander abweichen

Das verdient einen kurzen Abschnitt, weil es die Disziplin ist, die den Rest des Vergleichs ehrlich hält. M​etas eigener Harness setzt Muse Wonder Full auf 59,1 in seinem Personal Superintelligence Index und Muse Wonder auf 56. Artificial Analysis, die ihren eigenen Index auf Muse Wonder (max) anwenden, kommt auf 52. Dieselbe Modellfamilie, dieselbe Woche, vier Punkte Unterschied – und die unabhängige Zahl ist die niedrigere. Muse Wonder Full mit 56 auf dem unabhängigen Board ist ein echtes Ergebnis und rangiert auf Platz 4 von 699 Modellen dieser Klasse, und es liegt immer noch vier Punkte unter dem, was M​etas eigene Tabelle nahelegt. Nichts davon macht M​etas Zahlen falsch; Vendor-Harnesses sind auf das Deployment des jeweiligen Anbieters abgestimmt, und M​eta kennzeichnet sie als eigene. Es bedeutet aber, dass die einzigen Zahlen in diesem Artikel, die man einander gegenüberstellen kann, die von Artificial Analysis sind, und die gibt es für genau eines der beiden Modelle.

Die Tabellen von Reflection tragen eine andere Version desselben Problems. Beam wird mit 80,9 auf SWE-Bench Verified, 80,1 auf Terminal-Bench v2.1 und 44,4 auf DeepSWE v1.1 aufgeführt, alle vom Anbieter angegeben, alle auf derselben Seite wie Vergleiche mit Inkling und Nemotron 3 Ultra. Zwei dieser drei sind Werte, für die auch Muse Wonder eine Anbieterzahl hat, und zwei Sätze von Anbieterwerten zu vergleichen, die von zwei verschiedenen Harnessen erzeugt wurden, ist kein Vergleich. Es ist ein Zufall der Spaltenüberschriften.

Wenn du dich diesen Monat entscheiden musst

Die Entscheidung reduziert sich darauf, welches fehlende Ding du tolerieren kannst.

• Wenn Sie in diesem Quartal ausliefern und Aufrufbarkeit, einen Preis, den Sie prognostizieren können, ein 1M-Token-Fenster und ein Ausgabebudget von 943.718 Token benötigen — Muse Wonder ist das einzige der beiden, das heute als Service existiert, und die Entscheidung fällt von selbst

• Wenn Sie dieses Quartal ausliefern, liegt Muse Wonders Output-Tarif von 20 $ pro Million bei einem Evaluierungsprofil von 130 Mio. Token außerhalb Ihres Budgets — der sinnvolle Schritt ist die Aufwandsleiter und nicht ein anderes Modell. Reasoning ist bei Muse Wonder verpflichtend, doch die Leiter reicht von minimal bis max, und jeder Reasoning-Token wird als Output abgerechnet; Extraktion und Klassifizierung auf minimal laufen zu lassen und hoch oder max für die Aufrufe zu reservieren, die sie verdienen, ist der Hebel, der die Rechnung bewegt

• Regulierte, air-gapped- oder On-Premises-Anforderung — keines der beiden Modelle löst sie heute. Muse Wonder wird sie niemals erfüllen. Beam könnte es, in einem Monat, unter einer permissiven Lizenz, zu einem Speicherverbrauch, den Sie noch nicht gemessen haben

• Forschungs- oder Fine-Tuning-Pläne — warten Sie auf die Gewichte. Starten Sie kein Projekt auf Basis einer 501B-Architektur, die Sie nicht herunterladen können

• Benchmarking gegen Ihre eigene Workload – Muse Wonder lässt sich diese Woche messen, Beam hingegen überhaupt nicht. Jede Beam-Zahl in Ihrer Evaluierungstabelle ist derzeit eine Anbieterangabe ohne Nenner.

Was wir routen, und was wir nicht

Um es ganz offen zu sagen: Keines der beiden Modelle ist in OrcaRouters Katalog. Es gibt keinen meta/muse-wonder Eintrag und keinen Reflection-Eintrag irgendeiner Art, und wir werden keine Route präsentieren, die es nicht gibt. Was wir von Meta Superintelligence Labs führen, ist die Muse Spark-Reihe – Muse Spark 1.2 und Muse Spark 1.1 –, die dem, was ein Team heute über uns von M​etas Reasoning-Familie abrufen kann, am nächsten kommt und etwa ein Fünftel dessen kostet, was Muse Wonder pro Token kostet. Unter den Modellen, gegen die dieser Vergleich preislich antritt, Claude Opus 5.5 steht auf unserer Liste zu A​nthropics eigenen Preisen, und D​eepSeek V4 Pro ebenso zu einem Bruchteil davon.

Diese Ehrlichkeit hat eine praktische Konsequenz, die ein Vergleich wie dieser ungewöhnlich deutlich macht. Automatisches Failover schaltet ausschließlich auf etwas um, das wir tatsächlich routen, und eine Warteliste ohne Endpunkt ist kein Fallback. Wenn Ihr Plan für Beam lautet: „Wir testen es, sobald die Preview endet“, dann ist das Sinnvolle, was Sie bis dahin bereithalten sollten, ein Primärsystem, das Sie messen können, und eine zweite Route dahinter – was eine Konfigurationsänderung an einem OpenAI-kompatiblen Endpunkt ist. OrcaRouter stellt über 200 Modelle hinter einem Schlüssel und einer Abrechnung bereit, sodass, wenn Beams Gewichte eintreffen und irgendein Anbieter beginnt, es bereitzustellen, der Zugriff darauf eine ID in einer Konfigurationsdatei ist statt einer neuen Integration.

Was würde die Antwort ändern, und wann man nachsehen sollte

Drei Ereignisse, geordnet danach, wie stark sie dies bewegen würden.

Der erste Punkt ist die Veröffentlichung der Gewichte. Reflection hat sich zu Apache 2.0 verpflichtet und erklärt, dass die Artefakte später in diesem Monat kommen. Diese Veröffentlichung ist es, die aus einer 501B-Behauptung etwas Herunterladbares, Quantisierbares und Benchmarkbares macht, und sie ist zufällig auch der einzige Weg, auf dem Beam jemals auf einer Routing-Plattform erscheint. Bis es so weit ist, ist Beam eine Hypothese mit einer Quellenangabe.

Der zweite Punkt ist eine unabhängige Evaluierung. Eine einzige Artificial-Analysis-Zeile für Beam würde mehr zur Klärung dieses Duells beitragen als jedes noch so gründliche Studium von Anbietertabellen, denn sie würde den Tokens-pro-Aufgabe-Wert liefern, der in der Effizienzbehauptung fehlt. Achte lieber auf dieses Board als auf den Launch-Blog.

Der dritte Punkt ist, dass sich Muse Wonders eigene Konfigurationsoberfläche einpendelt. Der Wert von 4,52 $ pro Aufgabe wurde bei maximalem Reasoning an einem Modell gemessen, das erst seit einem Tag verfügbar ist. Wenn Teams die unteren Sprossen der Effort-Leiter im Produktivbetrieb nutzen, werden die realistischen Kosten des Modells sinken – und diese Zahl, nicht der Indexwert, ist es, die Beam unterbieten müsste.

Die wahrscheinlichste kurzfristige Antwort ist weder ein klarer Sieg noch eine klare Niederlage: Ein Team, das jetzt ein Modell braucht, setzt Muse Wonder ein, und ein Team, das seine Gewichte selbst besitzen muss, landet bei demjenigen der beiden, das es tatsächlich herunterladen kann. Was eine seltsame Art ist, ein Kopf-an-Kopf-Rennen zu beschreiben – und eine zutreffende.