Mandag den 5. oktober 2026 løftede det Nvidia-støttede selskab Reflection AI sløret for Beam, sin første model med åbne vægte. Modellen har 501 milliarder parametre i alt, men aktiverer kun 23 milliarder af dem for hver forespørgsel. Lanceringen rammer et marked, hvor danske og nordiske udviklere allerede har et væld af betalte kodeassistenter at vælge mellem, fra GitHub Copilot til Cursor og Claude Code.
Beam er ikke endnu et chatbot-produkt. Det er en grundmodel, som andre værktøjer kan bygge videre på, og det gør nyheden relevant for alle, der arbejder med kode, agenter eller AI-infrastruktur. Reflection AI beskriver selv modellen som et forsøg på at styrke “den vestlige åbne front” inden for kodning og agentopgaver, ifølge selskabets eget blogindlæg om lanceringen. Det er en direkte reaktion på, at de stærkeste åbne modeller til kodning det seneste år er kommet fra kinesiske laboratorier som DeepSeek, Zhipu og Alibaba.
Hvad er Beam, og hvorfor taler branchen om den?
Beam er en såkaldt sparse Mixture-of-Experts-model. Den samlede modelstørrelse lander på 501 milliarder parametre, men arkitekturen aktiverer kun 23 milliarder af dem per token. Det gør modellen billigere at køre end dens rå størrelse antyder, og det er netop pointen: Reflection AI sælger Beam som en model, der leverer frontier-lignende kodeevner til en markant lavere beregningsomkostning end tunge, tætte modeller.
Modellen er trænet til tre opgavetyper: kodning, ræsonnement og agentarbejde, altså de flerstegsopgaver hvor en AI selv skal planlægge, teste og rette kode uden konstant menneskelig indblanding. Ifølge Reflection AI’s egen beskrivelse er Beam bygget som “en sparse Mixture-of-Experts-model med 501 milliarder parametre i alt, 23 milliarder aktive, bygget til kodning, ræsonnement og agentarbejde” (Reflection AI, officielt blogindlæg). Træningen involverede angiveligt 23,8 billioner tokens og fire ugers reinforcement learning på 10.500 Nvidia GB300-GPU’er, selv om disse tekniske detaljer kommer fra sekundær research og endnu ikke er bekræftet i en fuld teknisk rapport fra selskabet.
Manden og kvinden bag Reflection AI
Reflection AI blev grundlagt i marts 2024 af Misha Laskin og Ioannis Antonoglou, der begge kommer fra Google DeepMind. Antonoglou var en del af teamet bag AlphaGo, systemet der i 2016 slog verdensmesteren i Go, Lee Sedol. Den baggrund i forskningsdrevet reinforcement learning skinner igennem i Beam, hvor netop RL-træning fylder meget af historien bag modellen.
Selskabet har base i New York og har hurtigt bevæget sig fra et forskningsfokuseret startup til en kapitaltung udfordrer på AI-markedet. Beam er selskabets første offentlige modeludgivelse, efter at Reflection AI i over et år har arbejdet mere lukket med såkaldte “superintelligens”-ambitioner, ifølge dækningen fra Wikipedias profil af selskabet.
Pengene bag satsningen: Fra 545 mio. til mulige 25 mia. dollar
Reflection AI har samlet rejst omkring 4,7 milliarder dollar siden grundlæggelsen, med investorer som Nvidia, Sequoia Capital, Lightspeed Venture Partners, DST Global, Eric Schmidt og 1789 Capital på kapitaltabellen. Væksten i værdisætning har været usædvanlig hurtig selv efter AI-branchens standarder.
| Runde | Tidspunkt | Beløb | Værdisætning |
|---|---|---|---|
| Tidlig Series A | 2024/2025 | Ikke offentliggjort fuldt ud | Ca. 545 mio. dollar |
| Storrunde ledet af Nvidia | Oktober 2025 | Ca. 2 mia. dollar (Nvidia ca. 800 mio.) | Ca. 8 mia. dollar |
| Rapporterede drøftelser | 2026 | Ikke bekræftet | Op til ca. 25 mia. dollar (pre-money, rapporteret) |
| Samlet rejst kapital | 2024-2026 | Ca. 4,7 mia. dollar | – |
Det er værd at understrege, at den seneste værdisætning på omkring 25 milliarder dollar stammer fra pressedækning af drøftelser, ikke fra en bekræftet, afsluttet aftale. Alligevel illustrerer tallene, hvor meget kapital investorer som Nvidia er villige til at putte i selskaber, der satser på åbne modeller som modvægt til Kinas fremstød inden for samme kategori.
Benchmarks: Hvor godt klarer Beam sig faktisk?
Reflection AI har offentliggjort en række benchmarkresultater for Beam. På SWE-bench Verified, som tester, om en model kan løse rigtige fejlrapporter fra GitHub-projekter, scorer Beam 80,9. På Terminal-Bench v2.1, der måler evnen til at styre en kommandolinje og løse opgaver i et terminalmiljø, lander modellen på 80,1. På den hårdere variant SWE-bench Pro v2-Hard scorer Beam 77,2, mens den lettere SWE-bench Pro v1 giver 65,5.
Beam klarer sig også stærkt på mere generelle ræsonnementstests: 97,8 på AIME 2026, 90,5 på GPQA Diamond og 36,2 på Humanity’s Last Exam uden brug af værktøjer. Men på to af de mest direkte konkurrencetests, DeepSWE v1.1 og Terminal-Bench v2.1, ligger flere nyere åbne modeller fra Kina faktisk foran, selv om de er markant mindre end Beams 501 milliarder parametre.
| Benchmark | Beam | GLM-5.2 | Qwen3.8 Max | Kimi K3 | DeepSeek V4.1 Flash |
|---|---|---|---|---|---|
| SWE-bench Verified | 80,9 | Ikke offentliggjort | Ikke offentliggjort | Ikke offentliggjort | Ikke offentliggjort |
| Terminal-Bench v2.1 | 80,1 | 81,0 | 86,6 | 88,3 | 90,6 |
| SWE-bench Pro v1 | 65,5 | 62,1 | 67,7 | Ikke offentliggjort | Ikke offentliggjort |
| DeepSWE v1.1 | 44,4 | 44,0 | 51,0 | 68,0 | 74,2 |
Tallene rejser et interessant analytisk punkt. Et stort parametertal garanterer ikke en topplacering. Flere af de kinesiske modeller, som alle er lanceret eller opdateret i løbet af 2026, slår Beam på disciplinerne, hvor en agent selv skal navigere et terminalmiljø eller løse hele kodebaser. Reflection AI’s eget svar, ifølge SiliconANGLEs dækning, er at Beam matcher GLM-5.2 på avancerede ræsonnementsopgaver med tre til fire gange mindre beregningskraft. Effektivitet, ikke rå størrelse, er selskabets egentlige salgsargument.
Åbne vægte er ikke det samme som open source
Reflection AI kalder Beam en “open-weight”-model, og det er en vigtig skelnen for udviklere, der overvejer at bruge den i produktion. Åbne vægte betyder, at modelfilerne på et tidspunkt kan downloades og køres lokalt. Det er ikke det samme som fuld open source, hvor træningsdata, kode og evalueringsmetoder også er tilgængelige og fuldt gennemsigtige.
Ved lanceringen var Beam kun tilgængelig gennem et tidligt adgangsprogram, og hverken en bekræftet licens, en færdig vægtfil på eksempelvis Hugging Face eller en offentlig pris per million tokens var på plads. Nogle kommentatorer har peget på en Apache 2.0-lignende licens, men det kan først bekræftes, når Reflection AI udgiver det faktiske licensdokument sammen med vægtene. Den slags detaljer plejer at afgøre, om en model reelt bliver brugt af virksomheder, eller om den mest bliver et PR-øjeblik.
Konkurrencen fra Kina sætter dagsordenen
For at forstå, hvorfor Beam overhovedet eksisterer, skal man se på, hvem Reflection AI faktisk konkurrerer med. Det er ikke primært GitHub Copilot eller Cursor, men de kinesiske åbne modeller, der har domineret feltet gennem 2025 og 2026: DeepSeek fra DeepSeek AI, GLM fra Zhipu (nu drevet under navnet Z.ai), Qwen fra Alibaba og Kimi fra Moonshot AI.
Disse modeller er typisk billigere i drift og opdateres hurtigt. Zhipus seneste udgave er blandt andet dokumenteret på Hugging Face, hvor benchmarktal for Terminal-Bench og DeepSWE ligger offentligt fremme. At en vestlig, Nvidia-støttet startup nu forsøger at matche dem med en åben model, er netop det, Reflection AI selv kalder et forsøg på at “fremme den vestlige åbne front inden for kodning og agentopgaver” (Reflection AI). Det er en politisk såvel som teknisk positionering, der taler direkte til virksomheder og myndigheder, som ønsker alternativer til kinesisk AI-infrastruktur.
Markedet for kodeassistenter i 2026: Hvor passer Beam ind?
De fleste danske udviklere kender allerede de store, lukkede kodeassistenter. GitHub Copilot har et gratis niveau med op til 2.000 kodefuldførelser om måneden, mens Pro-abonnementet koster 10 dollar om måneden. Cursor, der er bygget som en fork af VS Code med indbygget agentmotor, starter ved 20 dollar om måneden for Pro-planen. Claude Code fra Anthropic følger samme mønster med en Pro-plan til 20 dollar og en Max-plan fra 100 til 200 dollar, afhængig af forbrug.
| Værktøj | Type | Billigste betalte plan | Topmodel i brug |
|---|---|---|---|
| GitHub Copilot | IDE-udvidelse | 10 dollar/md (Pro) | Claude Opus 5.5 (fra 25. sep. 2026) |
| Cursor | Selvstændig IDE (VS Code-fork) | 20 dollar/md (Pro) | Flere modeller, inkl. Composer 2.5 |
| Claude Code | Terminalagent | 20 dollar/md (Pro) | Claude Opus 5.5 (standard) |
| Reflection AI Beam | Grundmodel (ikke et færdigt værktøj) | Ikke offentliggjort endnu | Beam, 501 mia./23 mia. parametre |
Pointen i tabellen er, at Beam ikke konkurrerer direkte med Copilot eller Cursor som produkt. Den konkurrerer på det lag under dem, nemlig selve modellen, som værktøjerne bygger på. Når GitHub i september 2026 begyndte at lade Copilot-brugere koble tredjepartsagenter som Claude Code og OpenAI Codex ind i deres arbejdsgang, blev det tydeligt, at modellag og værktøjslag er ved at blive adskilt. Det giver plads til, at en model som Beam på sigt kan dukke op som en valgmulighed i selvhostede agentmiljøer, selv hvis Reflection AI aldrig bygger sin egen IDE.
Historisk kontekst: Fra chokket over DeepSeek til et vestligt modsvar
Det giver mening at se Beam i lyset af den udvikling, der har præget AI-kodefeltet siden 2025. Da DeepSeek for første gang viste, at en åben model kunne matche lukkede giganter til en brøkdel af omkostningen, rykkede fokus i branchen hurtigt mod effektivitet frem for blot rå skala. Siden er det mønster gentaget af Zhipu med GLM-serien, Alibaba med Qwen og Moonshot med Kimi, som alle har presset prisen og ydelsen på åbne modeller opad i løbet af 2026.
Det har sat amerikanske og europæiske aktører under pres for at svare igen med egne åbne alternativer, i stedet for kun at satse på lukkede abonnementsmodeller. Reflection AI’s beslutning om at gå fra et lukket forskningsselskab til at udgive en åben model med 501 milliarder parametre skal læses som netop det svar. Spørgsmålet, som benchmarktallene antyder, er om svaret kommer hurtigt nok til at indhente konkurrenterne, eller om Beam blot markerer startskuddet på et længere kapløb.
Hvad siger Reflection AI selv om lanceringen?
Selskabet har været tydeligt i sin egen formidling af, hvad Beam skal bruges til, og hvem den er bygget for. I sit officielle lanceringsopslag skriver Reflection AI: “Introducing Beam: a highly efficient agentic open model with 501B total parameters and 23B active” (Reflection AI, officielt lanceringsopslag).
I samme opslag beskriver selskabet målgruppen bredt: “Beam combines strong agentic performance, efficient reasoning, and a 500B form factor to give enterprises, governments, and developers a true workhorse open model” (Reflection AI). Den formulering, “enterprises, governments, and developers”, er værd at bide fast i. Reflection AI sigter altså ikke kun efter individuelle udviklere, men efter offentlige institutioner og store virksomheder, som netop er de kunder, der oftest efterspørger kontrol over, hvor og hvordan en AI-model køres.
På selskabets officielle blog er sproget mere teknisk: “We are introducing Beam, Reflection’s first open-weight model” og videre: “Beam is a sparse Mixture-of-Experts model with 501 billion total parameters, 23 billion active, built for coding, reasoning, and agentic workloads” (begge citater fra Reflection AI’s blogindlæg). Selskabet opsummerer selv sin ambition i et enkelt punkt fra lanceringsgrafikken: “Advances the Western open frontier on coding & agentic tasks” (Reflection AI).
Betydning for danske og nordiske virksomheder
For danske og nordiske virksomheder, der allerede bruger AI-kodeværktøjer i stor skala, ændrer Beam ikke noget i morgen. Modellen er stadig i tidlig adgang, og hverken pris, licens eller en færdig integration i populære IDE’er er klar. Men nyheden peger på en bevægelse, der vil få praktisk betydning inden for det næste år eller to.
Offentlige myndigheder og regulerede sektorer som finans og forsvar har i stigende grad behov for at kunne redegøre for, hvor en AI-model er trænet, hvem der ejer den, og om den kan køres uden at sende data til en udenlandsk server. En åben model fra et amerikansk selskab giver den type kunder en mulighed, de ikke tidligere havde uden at vælge en kinesisk model eller betale fuld pris for en lukket, amerikansk tjeneste. Det er netop den kile, Reflection AI forsøger at bore sig ind i, når selskabet nævner “enterprises, governments, and developers” som sin målgruppe.
Sådan kan du teste Beam og de bagvedliggende benchmarks selv
En af de tilbagevendende udfordringer med nye modellanceringer er, at benchmarktal ofte kommer fra selskabet selv, uden en uafhængig gennemgang. Det gælder også Beam, hvor flere af tallene i denne artikel stammer fra Reflection AI’s egne målinger og fra sekundære analyser, der endnu ikke er fuldt bekræftet af en uafhængig tredjepart.
Udviklere, der selv vil efterprøve den slags resultater, kan hente det åbne evalueringsværktøj, som flere af benchmarkene bygger på, direkte fra kildekoden.
git clone https://github.com/swe-bench/SWE-bench
cd SWE-bench
pip install -e .
# Kør den officielle evalueringsharness mod egne modelresultaterDet samme gælder for leaderboards som SWE-bench.com, der løbende opdateres, når nye modeller indsender verificerbare resultater. Indtil Reflection AI frigiver vægte og en fuld teknisk rapport for Beam, er det den slags uafhængig efterprøvning, der afgør, om modellen reelt lever op til sine tal.
Fem forudsigelser for Beam og de åbne kodemodeller
- Inden for seks måneder vil mindst ét populært selvhostet agentværktøj, i stil med de værktøjer danske udviklere allerede kender, tilbyde Beam som valgmulighed, så snart vægtene er offentligt tilgængelige.
- Pres fra EU’s AI-forordning og fra regulerede danske og nordiske sektorer vil gøre “vestlig åben model” til et konkret indkøbskriterium, ikke bare et marketingbegreb.
- Forspringet, som DeepSeek, GLM, Qwen og Kimi har på discipliner som Terminal-Bench og DeepSWE, vil krympe hurtigt, i takt med at Reflection AI frigiver opfølgende finjusteringer af Beam.
- Når Beams API-pris bliver offentlig, vil den sandsynligvis ligge under de 20 dollar om måneden, markedet for Claude Code og Cursor har sat sig fast omkring, og dermed lægge yderligere pres på prisniveauet.
- Den rapporterede værdisætning på op mod 25 milliarder dollar bliver det næste tal at holde øje med. En bekræftet runde på det niveau vil signalere, at investorer tror på den åbne strategi, mens en udskudt eller mindre runde vil rejse tvivl om, om satsningen betaler sig kommercielt.
Konklusionen: Et nyt kapitel, ikke et afsluttet opgør
Beam er ikke den model, der afgør kampen mellem åbne og lukkede kodeassistenter. Benchmarktallene viser et mere nuanceret billede, hvor Reflection AI’s model er konkurrencedygtig på nogle discipliner og bagud på andre, trods sin enorme størrelse på 501 milliarder parametre. Det, som gør lanceringen til en reel nyhed, er, at et velfinansieret amerikansk selskab med 4,7 milliarder dollar i ryggen nu officielt har lagt sig i samme kategori som DeepSeek, GLM, Qwen og Kimi, i stedet for kun at konkurrere med Copilot, Cursor og Claude Code på den lukkede del af markedet.
For danske og nordiske virksomheder er den vigtigste pointe at holde øje med, hvad der sker, når Beams vægte, licens og pris bliver offentligt tilgængelige. Først da kan modellen reelt vurderes mod de værktøjer, udviklerne allerede har i deres daglige arbejdsgang.
Ofte stillede spørgsmål om Reflection AI Beam
Hvad er Reflection AI Beam?
Beam er en AI-model med åbne vægte fra Reflection AI, lanceret 5. oktober 2026. Den har 501 milliarder parametre i alt og aktiverer 23 milliarder af dem per forespørgsel, og er bygget til kodning, ræsonnement og agentopgaver.
Kan jeg downloade og køre Beam lokalt allerede nu?
Ved lanceringen var Beam kun tilgængelig gennem et tidligt adgangsprogram. Hverken en bekræftet licens eller offentligt tilgængelige modelfiler var på plads ved lanceringen.
Hvordan klarer Beam sig mod GitHub Copilot og Cursor?
Beam konkurrerer ikke direkte med Copilot eller Cursor, da de er færdige værktøjer, mens Beam er en grundmodel. Beam konkurrerer i stedet med andre modeller som GLM, Qwen og DeepSeek, der kan bruges som motor i den type værktøjer.
Er Beam bedre end de kinesiske modeller GLM, Qwen og Kimi?
Ikke konsekvent. På benchmarks som Terminal-Bench v2.1 og DeepSWE v1.1 ligger flere kinesiske modeller foran Beam, mens Beam til gengæld klarer sig stærkt på SWE-bench Verified og generelle ræsonnementstests som AIME 2026 og GPQA Diamond.
Hvem står bag Reflection AI?
Selskabet er grundlagt i marts 2024 af Misha Laskin og Ioannis Antonoglou, begge tidligere fra Google DeepMind. Antonoglou var med til at udvikle AlphaGo.
Hvor meget kapital har Reflection AI rejst?
Selskabet har samlet rejst omkring 4,7 milliarder dollar fra investorer som Nvidia, Sequoia Capital, Lightspeed Venture Partners og DST Global. En rapporteret, men ubekræftet, værdisætning på op mod 25 milliarder dollar er under drøftelse i 2026.
Hvad betyder “open-weight” i praksis?
Det betyder, at modellens vægtfiler på et tidspunkt kan downloades og køres selvstændigt, i modsætning til en fuldt lukket model, man kun kan tilgå via en betalt API. Det er ikke det samme som fuld open source, hvor træningsdata og kode også er offentlige.
Hvorfor er lanceringen relevant for danske virksomheder?
Den giver et tidligt signal om, at vestlige, åbne alternativer til kinesiske kodemodeller er på vej, hvilket kan blive relevant for offentlige myndigheder og regulerede sektorer, der ønsker kontrol over, hvor deres AI-modeller trænes og køres.
