Nur zwei Wochen nach Gemini 4 Argon veröffentlicht Google Deepmind mit Gemini 4 Carbon das nächste Modell seiner aktuellen Generation.
Neben allgemeinen Zuwächsen bei agentischen Aufgaben und der Programmierung hebt das Unternehmen insbesondere die Fähigkeiten über den gesamten Lebenszyklus der Cyberverteidigung hervor: vom Aufspüren über die Validierung bis zum Schließen von Sicherheitslücken.
In der kürzlich aktualisierten Version 5.0 des Artificial Analysis Intelligence Index setzt sich Carbon mit 59 Punkten auf den ersten Platz, der Vorgänger Argon liegt hier mit nur 50 Punkten deutlich zurück.
Carbon setzt sich insgesamt an die Spitze im AA-Index, beim agentischen Coding liegt es aber noch etwas hinter Opus 5.5 in Claude Code. | Bild: AAAusdauernde Agenten-Workflows für komplexe Codebasen
Google Deepmind hat Carbon laut eigenen Angaben für langwierige Entwicklungsprobleme konzipiert, die beständige agentische Arbeitsabläufe erfordern. Bei internen Teams lief das Modell demnach über mehrere Tage hinweg durchgängig, überwand dabei eigenständig Sackgassen und bearbeitete komplexe, mehrstufige Aufgaben. Dazu gehörten etwa die Ursachenforschung und das Beheben subtiler Fehler in großen Codebasen sowie in systemnaher Software.
Auf Basis von Nutzer-Feedback will Google außerdem die Leistung bei wissenschaftlichen Fragestellungen, dem multimodalen Verständnis und der Full-Stack-Webentwicklung gesteigert haben. Durch eine höhere Qualität der Ergebnisse und Artefakte in der Webentwicklung verbessert sich Carbon auf der WebDev Arena um 89 Elo-Punkte und belegt dort mit einem Wert von 1769 aktuell den vierten Platz.
In Googles eigener Benchmark-Auswahl belegt Gemini 4 Carbon in 15 von 16 Tests den ersten Platz und lässt vor allem bei langen Kontexten und Sicherheitsaufgaben die Konkurrenz hinter sich. | Bild: Google DeepmindEine besondere Meldung gibt's aus dem Bereich Cybersecurity: Beim "Indirect Prompt Injection"-Benchmark von Gray Swan drückte Carbon die Erfolgsrate von Angriffen von zuvor 0,7 Prozent bei Argon auf 0,0 Prozent. Carbon wehrte laut Google jeden getesteten Manipulationsversuch ab.
Artificial Analysis bestätigt starke Benchmark-Resultate
Laut Artificial Analysis verdankt Gemini 4 Carbon auf höchster Reasoning-Stufe ("high") seine Führung im Intelligence Index v5 vor allem Spitzenwerten bei komplexem Schlussfolgern, Wissensabfragen und wissenschaftlichen Aufgaben. Das Modell von Google Deepmind belegt in vier der neun Einzel-Evaluationen des Index den ersten Platz.
Bei Programmierung und Wissensarbeit reicht es dort noch nicht überall für die Spitze. Beim agentischen Coding in Antigravity liegt das Modell noch drei Punkte hinter Claude Code mit Opus 5.5, trotz einer massiven Steigerung im Vergleich zu Argon (53 auf 59 Punkte).
Bei der agentischen Wissensarbeit auf AA-Briefcase verbessert sich Carbon (high) um 126 Punkte gegenüber Argon (high, 1483 Elo) auf 1609 Elo, getrieben durch Zuwächse bei der Präsentationsqualität (+293 Elo auf 1598) und der analytischen Qualität (+120 Elo auf 1671), bleibt damit aber hinter Kimi K3.1 Pro (1678 Elo), Muse Wonder (max, 1659 Elo) und Grok 4.7 (xhigh, 1638 Elo).
Die Antwortgenauigkeit steigt gegenüber Argon von 48 auf 58 Prozent, während die Halluzinationsrate von vier auf elf Prozent klettert; das ist zwar eine Zunahme, aber dennoch der zweitniedrigste Wert im Ranking. Claude Opus 5.5 (max) und GPT-6 Astra (max) liegen jeweils bei 50 Prozent.
Auch die Evaluierungsplattform Vals AI bescheinigt dem neuen Google-Modell ein starkes Ergebnis: Hier landet Carbon mit einer Genauigkeit von 70,36 Prozent den zweiten Platz hinter Claude Sonnet 5.5 (70,85 Prozent) und noch vor Claude Opus 5.5 (70,18 Prozent) sowie dem Vorgänger Argon auf Rang vier (69,24 Prozent), allerdings zu den deutlich geringsten Kosten.
Im Vals Index v2.2 schiebt sich Gemini 4 Carbon mit einer Genauigkeit von 70,36 Prozent zwischen Claude Sonnet 5.5 (70,85 Prozent) und Claude Opus 5.5 (70,18 Prozent) auf den zweiten Platz, arbeitet dabei mit durchschnittlich 10,51 US-Dollar pro Test und knapp 48 Minuten Laufzeit aber deutlich günstiger und schneller als beide Anthropic-Modelle. | Bild: Vals AIBei Vals.ai übernimmt Carbon die Führung im Finance-Index sowie im Legal-Research-Benchmark. Speziell bei der juristischen Recherche verzeichnete Vals AI rund 45 Prozent mehr zitierte Quellen, häufigere Tool-Aufrufe und längere Antworten als beim Vorgängermodell.
Diese Gründlichkeit kostet allerdings Zeit: Aufgaben im Finance- und Tax-Agent-Benchmark dauern mehr als doppelt so lange wie mit Argon, bei Legal Research benötigt Carbon im Schnitt sogar über 50 Minuten pro Aufgabe. Insgesamt produziert das Modell 2,3-mal so viele Reasoning-Tokens und 64 Prozent mehr Output-Tokens als Argon. Das sind allerdings weniger als halb so viele Output-Tokens wie Sonnet 5.5 und Opus 5.5.
Auf Arena.ai übernimmt Gemini 4 Carbon (High) in der Text-Arena mit 1528 Punkten die Führung vor dem Vorgänger Argon (1520 Punkte), soll also ein gutes Schreibmodell sein. In der Agent-Arena landet das Modell über mehr als 21.900 reale Sitzungen hinweg auf dem zweiten Platz vor GPT-6 Astra und Fable-5.1: Es erzielt dort eine Nettoverbesserung von 16,2 Prozent, führt bei der Nachsteuerbarkeit (Steerability, +18,6 Prozent) und liegt bei den mittleren Aufgabenkosten von 1,80 US-Dollar um 72 Prozent unter dem erstplatzierten Claude Opus 5.5 (Max).
Arena.ai setzt Gemini 4 Carbon (High) in der Agent Arena mit einer Nettoverbesserung von 16,2 Prozent auf Rang zwei – hinter Claude Opus 5.5 (Max, +21,1 Prozent) und vor GPT-6 Astra (Max, +13,4 Prozent). | Bild: ArenaIn der WebDev-Kategorie der Code-Arena erreicht Carbon mit 1768 Punkten (89 Punkte vor Argon auf Platz elf) den vierten Rang, nur zwei Zähler hinter Claude Sonnet 5.5 (xHigh, 1770 Punkte), und setzt sich damit in allen drei Disziplinen auf die Pareto-Kurve.
Gemini 4 Carbon dominiert Sicherheits-Benchmarks ohne Leitplanken
Für mehrere externe Sicherheitstests hat Google das Modell ohne einschränkende Sicherheitsleitplanken (Guardrails) evaluiert. Auf dem Benchmark SEC-bench Pro, der das autonome Auffinden von Schwachstellen in realer Software misst, erreicht Carbon laut Google 88,2 Prozent und liegt damit vor den übrigen getesteten Modellen.
Auf ExploitGym kommt das Modell auf 54,8 Prozent. Der Benchmark prüft, ob ein System gefundene Sicherheitslücken auch praktisch ausnutzen und funktionsfähige Exploits erstellen kann. Beim anschließenden Fix-Schreiben im CWE-Bench liegt es ebenfalls mit deutlichem Abstand auf Platz 1.
In den Sicherheits-Benchmarks SEC-bench Pro (88,2 Prozent), CWE-bench (71,0 Prozent) und ExploitGym (54,8 Prozent bei zehn Stunden Laufzeit) setzt sich Gemini 4 Carbon jeweils vor GPT-6 Astra und das Vorgängermodell Argon. | Bild: Google DeepmindDarüber hinaus führt Google Ergebnisse aus eigenen, extern nicht nachprüfbaren Tests an: Auf internen Benchmarks soll Carbon mehr als doppelt so häufig sicheren Code erzeugen wie das Vorgängermodell Argon. In Tests des Google-Chrome-Teams habe das Modell beim Erstellen von Sicherheits-Patches zudem mehr als zehnmal besser abgeschnitten als das Frontier-Modell eines nicht genannten Konkurrenten.
Release zunächst nur eingeschränkt
Google veröffentlicht das Modell allerdings nur schrittweise und beteiligt sich zudem am Vorab-Testverfahren der US‑Regierung. Begründet wird das mit fortschrittlichen Fähigkeiten in der IT‑Sicherheit. Ab dieser Woche erhalten zunächst ausgewählte Sicherheitsexperten für die Cyberabwehr Zugriff auf Gemini 4 Carbon. Über das Fairwind Program von Google Deepmind soll der Zugang anschließend schrittweise auf weitere vertrauenswürdige Partner ausgeweitet werden.
Erst nachdem weiteres Feedback gesammelt und die Sicherheitsleitplanken entsprechend angepasst wurden, will Google das Modell über seine Produktoberflächen auch regulären Entwicklern, Unternehmen und Endkunden zur Verfügung stellen.
Preislich orientiert sich Google am direkten Vorgänger: Gemini 4 Carbon startet zum selben Einführungspreis wie Argon und kostet zwei US-Dollar pro eine Million Input-Tokens sowie zehn US-Dollar pro eine Million Output-Tokens. Für zwischengespeicherte (gecachte) Input-Tokens gewährt Google einen Rabatt von 95 Prozent auf den regulären Eingabepreis.
Bei nahezu gleichen Kosten pro Aufgabe wie das Vorgängermodell Argon (7,76 statt 7,68 US-Dollar) klettert Gemini 4 Carbon um neun Zähler auf 59 Punkte fast an die Spitze der Pareto-Kurve und lässt dabei auch das teurere Claude Opus 5.5 (10,04 US-Dollar) hinter sich. | Bild: Artificial AnalysisArtificial Analysis rechnet hier bewusst mit dem regulären Standardpreis von vier US-Dollar pro eine Million Input- und 20 US-Dollar pro eine Million Output-Tokens (sowie 0,20 US-Dollar für gecachte Input-Tokens), klammert also den aktuell gewährten 50-Prozent-Einführungsrabatt bis Ende 2026 aus und kommt so für Carbon auf 7,76 US-Dollar pro Aufgabe im Intelligence Index.
Damit ist es rund 23 Prozent günstiger als Claude Opus 5.5 (max, 10,04 US-Dollar), verbraucht mit durchschnittlich 123.000 Output-Tokens pro Aufgabe 29 Prozent weniger Tokens als das Anthropic-Modell (173.000 Tokens), ist aber etwa 1,2-mal so teuer wie GPT-6 Astra (max, 6,25 US-Dollar) und liegt preislich ziemlich genau auf dem Niveau von Argon (7,68 US-Dollar).
KI-News ohne Hype – von Menschen kuratiert
Mit dem THE‑DECODER‑Abo liest du werbefrei und wirst Teil unserer Community: Diskutiere im Kommentarsystem, erhalte unseren wöchentlichen KI‑Newsletter, 6× im Jahr den "KI Radar"‑Frontier‑Newsletter mit den neuesten Entwicklungen aus der Spitze der KI‑Forschung, bis zu 25 % Rabatt auf KI Pro‑Events und Zugriff auf das komplette Archiv der letzten zehn Jahre.
