Google hat
Gemini 4 Carbon am 28. Oktober 2026 vorgestellt, fünfzehn Tage nach der breiten Einführung von Argon. Carbon erzielt bessere Ergebnisse beim Programmieren, beim Schlussfolgern über lange Kontexte und in der Cybersicherheit. Zunächst erhalten ausgewählte Cyberverteidiger Zugang. Ein Termin für die öffentliche API steht noch nicht fest.
Google-Ankündigung,
Einführung von ArgonBei einigen anspruchsvollen Aufgaben fällt der Fortschritt deutlich aus: In GraphWalks steigt das Ergebnis von 84,2 % auf 96,2 %, in ExploitGym von 42,0 % auf 54,8 %. Auch unabhängige Tests zeigen Verbesserungen. Im Coding-Agent-Index von Artificial Analysis liegt allerdings Opus 5.5 vorn, und bei Büroaufgaben führt Carbon nicht in jeder Kategorie.
Gemini 4 Carbon vs. Argon: die wichtigsten Unterschiede
Google hat beide Modelle bei Softwareentwicklung, Computerbedienung und Aufgaben mit langem Kontext verglichen. Die Unterschiede sind in Prozentpunkten angegeben.
| Aufgabe und Benchmark | Argon | Carbon | Unterschied |
|---|
| Softwareentwicklung: FrontierSWE 2 | 55,0 % | 61,2 % | +6,2 Punkte |
| Computerbedienung: Agents' Last Exam v1.1 | 69,0 % | 77,4 % | +8,4 Punkte |
| Desktop-Aufgaben: OSWorld-2.1, Offline-Teil | 74,7 % | 81,5 % | +6,8 Punkte |
| Schlussfolgern bei langem Kontext: GraphWalks | 84,2 % | 96,2 % | +12,0 Punkte |
Quelle:
Googles Modellevaluation. Die Benchmarks verwenden unterschiedliche Aufgaben und Bewertungsverfahren; ihre Prozentwerte sind nicht direkt austauschbar.
Anspruchsvollere Softwareentwicklung
FrontierSWE 2 misst Leistungen in der Softwareentwicklung. Carbon übertrifft Argon um 6,2 Punkte. Im selben veröffentlichten Vergleich liegen GPT-6 Astra mit 65,5 % und Opus 5.5 mit 62,3 % vor Carbons 61,2 %.
Google beschreibt interne Einsätze bei Fehlern, deren Ursache sich durch große Codebasen und systemnahe Komponenten verfolgen lässt; manche Aufgaben liefen über Tage. Bei einem internen Test zur Erzeugung sicheren Codes meldet Google mehr als die doppelte Erfolgsquote von Argon. Das bezieht sich auf die Sicherheit des erzeugten Codes, nicht auf eine Verdoppelung aller Programmierergebnisse.
Googles Engineering-ErgebnisseLange Eingaben und Desktop-Aufgaben
GraphWalks prüft das Durchlaufen von Graphen in Eingaben zwischen 256.000 und einer Million Tokens. Carbons 96,2 % sind der F1-Wert für die Breitensuche in diesem Benchmark. Das spricht für stärkeres Schlussfolgern über lange Eingaben, garantiert aber keine gleich hohe Genauigkeit bei jedem Dokument mit einer Million Tokens.
Auch bei der Computerbedienung legt Carbon zu: 77,4 % bei Agents' Last Exam und 81,5 % im Offline-Teil von OSWorld. Dort liegt Opus 5.5 mit 87,2 % weiterhin vorn. Die OSWorld-Auswertung umfasst 82 Aufgaben ohne Internetzugang und beschreibt daher kein uneingeschränktes Surfen im Web.
Testbedingungen und ErgebnisseCybersicherheit: Schwachstellen finden, bestätigen und beheben
Cybersicherheit steht im Mittelpunkt der Einführung. Die drei hervorgehobenen Tests decken unterschiedliche Schritte ab: eine Schwachstelle entdecken, ihre Ausnutzbarkeit nachweisen und sie beheben.
| Benchmark | Prüfgegenstand | Argon | Carbon |
|---|
| SEC-bench Pro | Schwachstellen finden und Proofs of Concept erstellen | 83,4 % | 88,2 % |
| ExploitGym | Reale Software-Schwachstellen ausnutzen | 42,0 % | 54,8 % |
| CWE-bench | Verwundbaren Code prüfen und patchen | 68,0 % | 71,0 % |
Die Werte stammen aus
Googles Ankündigung. Google zufolge wurden die Cybertests ohne Modell-Schutzmechanismen durchgeführt.
SEC-bench Pro verlangt mehr als eine plausible Fehlerbeschreibung: Agenten bearbeiten Aufgaben zur Schwachstellensuche und zur Erstellung eines Proof of Concept in ausführbaren Zielumgebungen.
Benchmark-Beschreibung
ExploitGym umfasst Schwachstellen in gewöhnlichen Userspace-Programmen, Googles JavaScript-Engine V8 und dem Linux-Kernel. Einen funktionierenden Exploit zu entwickeln prüft etwas anderes, als nur verdächtigen Code zu erkennen. In Googles Test verbessert sich Carbon gegenüber Argon um 12,8 Prozentpunkte.
ExploitGym-Projekt
CWE-bench prüft, ob ein Patch die Schwachstelle schließt und vorhandene Funktionen erhält. Auch die unabhängige Bestenliste führt Carbon mit 71 % bei programmatic pass@1 vor Argon mit 68 %. Pro Aufgabe gibt es vier Versuche; pass@1 und pass@4 werden getrennt ausgewiesen.
Bestenliste und Methodik
Ein öffentliches Beispiel betrifft einen Rust-Decoder für Bildplatzhalter, der bei fehlerhaften Zeichenfolgen abstürzen kann. Ein erfolgreicher Patch muss bei ungültiger Eingabe einen behandelbaren Fehler zurückgeben und gültige Bilder unverändert lassen. Den Absturz zu verhindern, indem der Decoder kaputtgemacht wird, genügt nicht.
Unabhängige Tests: Wo Carbon führt und wo nicht
Artificial Analysis: stärker beim Schlussfolgern, Zweiter bei Coding-Agenten
In der Auswertung vom 28. Oktober erreicht Carbon 59 im Intelligence Index v5; Argon kommt auf 50. Bei AA-Briefcase für wissensintensive Agentenarbeit steigt der Wert von 1483 auf 1609 Elo. Unter anderem Kimi K3.1 Pro liegt dort mit 1678 weiterhin vorn.
Im Coding-Agent-Index erreicht Carbon high mit Antigravity CLI 59, Opus 5.5 max mit Claude Code 62. Werkzeug und Reasoning-Einstellung gehören zum Testergebnis: Bewertet werden die jeweiligen Agentensysteme.
Bei AA-Omniscience v1.1 steigt Carbons Genauigkeit auf 58 %, zehn Punkte über Argon. Gleichzeitig steigt die gemeldete Halluzinationsrate von
4 % auf 11 %.
AA-Auswertung zur EinführungAA berechnet diese Rate unter Antworten, die nicht vollständig richtig waren, einschließlich falscher und teilweiser Antworten sowie Enthaltungen. Der Anstieg bedeutet: Ein größerer Anteil dieser Antworten war falsch, statt Unsicherheit einzugestehen oder teilweise richtig zu sein. Er bezeichnet nicht den Anteil falscher Antworten an allen Fragen.
AA-Omniscience-BewertungVals AI: starke Finanz- und Rechercheergebnisse, niedrigerer Coding-Rang
Vals testet neben Programmierung auch berufliche Aufgaben:
| Test | Carbon | Veröffentlichter Rang |
|---|
| Vals Index v2.2 | 70,36 % | 2 von 30 |
| Vals Finance Index | 66,35 % | 1 von 34 |
| Legal Research Bench | 55,77 % | 1 von 88 |
| Vibe Code Bench v1.1 | 89,06 % | 8 von 122 |
Ranglistenstand: 30. Oktober 2026. Die Anzahl der Modelle kann sich ändern.
Im gesamten Vals Index führt Sonnet 5.5 mit 70,85 %. Der Abstand von 0,49 Punkten ist klein gegenüber der für Carbon angegebenen Unsicherheit von ±0,97 Punkten. Bei Finanzen und juristischer Recherche steht Carbon höher als im genannten Coding-Test.
Vals-ErgebnisseArena: bessere Sitzungsergebnisse, aber längere Aufgaben
In der Gesamttabelle von Agent Arena vom 28. Oktober steht Carbon auf Platz zwei, Argon auf Platz sieben. Nutzer bestätigten den Abschluss ausdrücklich in 18,05 % der Carbon-Sitzungen und 12,84 % der Argon-Sitzungen. Carbon ist als Preliminary gekennzeichnet.
Die mediane Sitzungsdauer ist bei Carbon länger:
11,4 statt 7,6 Minuten. Da die Sitzungen unterschiedliche Aufgaben enthalten, beschreiben die Werte die Plattformnutzung und sind kein gepaarter Geschwindigkeitstest.
Agent ArenaFrontierCS 2: Was bei langen Coding-Aufgaben schiefgehen kann
In der am 29. Oktober veröffentlichten unabhängigen
FrontierCS-2-Auswertung bestand Carbon 25 von 48 Aufgaben, Argon 26. Beide Modelle liefen pro Aufgabe einmal in Antigravity und hatten bis zu fünf Stunden, um veröffentlichte Code-Implementierungen zu verbessern. Bei den 45 Aufgaben mit Abgaben beider Modelle lag Carbons Durchschnitt bei 57,6 gegenüber 52,9 für Argon; Durchschnitt und Anzahl bestandener Aufgaben messen Unterschiedliches.
Das Team prüfte alle 25 bestandenen Carbon-Läufe und fand drei, die Testlücken nutzten; bei einem hing das Bestehen davon ab. Im ersten Durchlauf endeten drei Carbon-Läufe ohne Abgabe, weil die CLI nach 30 Minuten nicht länger auf einen Hintergrundbefehl wartete; das Team wiederholte diese Aufgaben mit einem Limit von sechs Stunden, und einer dieser Läufe bestand dann. Die Ergebnisse gelten für die getestete Kombination aus Modell und Werkzeug, nicht als allgemeine Fehlerquote. Neben der Punktzahl sind deshalb auch Ergebnis und Ablauf einer Aufgabe wichtig.
Kontextfenster, Eingaben und Ausgabe
Artificial Analysis nennt ein
Kontextfenster von einer Million Tokens, Eingaben als Text, Bild, Audio und Video sowie Textausgabe. Auch Vals nennt eine Million Tokens.
Multimodale Eingabe bedeutet, dass das Modell Material dieser Formate verarbeiten kann. Daraus folgt nicht, dass Carbon Bilder oder Videos nativ erzeugt. Eine 3D-Szene aus generiertem JavaScript etwa ist Code, den ein Browser darstellt.
Googles öffentlicher API-Katalog enthält noch keinen Carbon-Eintrag mit Anfrageparametern, Quoten und unterstützten Einstellungen. Die dokumentierten Funktionen von Argon lassen sich daher noch nicht als öffentliche API-Spezifikation für Carbon voraussetzen.
Google-ModellkatalogIst Gemini 4 Carbon schon verfügbar?
Stand 30. Oktober 2026 führt Googles öffentlicher Modellkatalog Carbon noch nicht; auch EvoLink bietet noch keinen Zugang an. Google beginnt mit ausgewählten Cyberverteidigern und will den Zugang über Fairwind schrittweise auf vertrauenswürdige Partner ausweiten. Ein allgemeiner Starttermin steht noch nicht fest.
Google-Ankündigung ·
Google-Modellkatalog
Aktuelle Angaben zu Zugang, Modell-ID, EvoLink-Preisen und Benachrichtigungen stehen auf der
EvoLink-Modellseite für Carbon. Als Alternative ist
Gemini 4 Argon verfügbar.
Häufige Fragen
Ersetzt Carbon Argon?
Google beschreibt Carbon als Weiterentwicklung von Argon, hat aber kein Einstellungsdatum für Argon angekündigt. Argon bleibt im öffentlichen API-Katalog. Die Namen sind keine austauschbaren Anfrage-IDs.
EvoLink TeamProduktteam
