Begrenzt man im Intelligence Index v5.0.1 von Artificial Analysis die Ausgabetokens für den kompletten Index auf 110 bis 124 Millionen, ergibt sich für die Gemini-4-Modelle diese Reihenfolge: Argon (high) 50, Hydrogen (high) 51, Carbon (medium) 58, Neon (high) 60. Alle vier haben denselben Wissensstand vom März 2026. Laut Googles Modellkarten basiert Carbon auf Argon, Hydrogen und Neon sind aus Carbon abgeleitet. In der Standardumgebung von ARC‑AGI‑3 liegt Carbon bei gleicher Einstellung low 15,3 Prozentpunkte vor Argon; bei FrontierMath Tier 4 verzeichnet Epoch AI einen Abstand von 17 Punkten. Sieben Wochen, vier Veröffentlichungen, ein Wissensstichtag: Die Gemini-4-Serie gleicht einem öffentlichen Experiment über Post-Training und Reasoning-Budget. Sie erinnert zugleich daran, dass ein Vergleich bei gleichem Budget und ein Vergleich bei gleichem Einstellungsnamen zwei verschiedene Ranglisten ergeben. Launch-Evaluation von Neon bei Artificial Analysis · Verifizierte Carbon-Ergebnisse von ARC Prize · Epoch-Daten zu Carbon

Google kündigte Argon am 30. September und Carbon am 28. Oktober an; Carbon wurde am 10. November allgemein verfügbar, danach folgten Hydrogen am 12. November und Neon am 18. November. Dieser Artikel stützt sich auf die am 19. November verfügbaren öffentlichen Ergebnisse und ist eine Sekundäranalyse von Folkbench. Die Werte in Modellkarten und Ankündigungen stammen von Google; in diesen Tabellen hat Google manche Werte der Vergleichsmodelle selbst ermittelt, andere sind als Läufe Dritter gekennzeichnet. Die Ergebnisse von Artificial Analysis, Epoch AI, ARC Prize und Terminal-Bench gehören den jeweiligen Evaluatoren. Folkbench hat für diesen Artikel kein Modell erneut ausgeführt. Prozentwerte folgen der Definition der jeweiligen Rangliste, und jede Schlussfolgerung, die von Reasoning-Stufe, Ausführungsumgebung oder ausführender Stelle abhängt, gilt nur unter diesen Bedingungen. Ankündigung von Argon · Google: Carbon jetzt verfügbar · Ankündigung von Neon

Eine Basis, vier Runden Post-Training

ModellAngekündigtOffizielle PositionierungHerkunft laut ModellkarteAPI-Preis (Eingabe / Ausgabe pro 1 Mio. Tokens)Bester AA Index v5.0.1
Gemini 4 Argon30. Sep.Programmierung, Wissensarbeit in Unternehmen, CyberabwehrNeu trainiertes sparsames MoE-Modell2 / 10 $ Einführungspreis, danach 4 / 20 $50 (high)
Gemini 4 Carbon28. Okt., allgemein verfügbar ab 10. Nov.Langfristige Aufgaben und CybersicherheitBasiert auf Argon2 / 10 $ bis 30. Nov., danach 4 / 20 $60 (high)
Gemini 4 Hydrogen12. Nov.Schnelle AlltagsaufgabenAus Carbon abgeleitet1,50 / 7,50 $54 (xhigh)
Gemini 4 Neon18. Nov.Balance aus Tiefe und EffizienzAus Carbon abgeleitet3 / 15 $61 (xhigh)

Modellkarte Argon · Modellkarte Carbon · Modellkarte Hydrogen · Modellkarte Neon

Die Modellkarte von Argon enthält die einzige Architekturbeschreibung dieser Generation: ein großer, sparsamer Mixture-of-Experts-Transformer (MoE) mit nativer Text-, Bild- und Audioeingabe, als neues Modell trainiert und nicht als Feinabstimmung eines älteren. Trainiert wurde auf TPUs mit JAX und ML Pathways; das Post-Training umfasste Instruction-Tuning, menschliche Präferenzdaten und Reinforcement Learning mit Daten zu mehrstufigem Schließen, Problemlösen und Theorembeweisen. Die Modellkarte von Carbon verweist für Architektur, Daten und Hardware auf Argon. Die Karten von Hydrogen und Neon geben an, dass beide aus Carbon abgeleitet sind (adapted from), und verweisen ihrerseits auf Carbon. Alle vier unterstützen bis zu 1 Million Tokens Kontext für Ein- und Ausgabe zusammen. Modellkarte Argon

Diese Struktur bestimmt, wie die Fortschritte innerhalb der Familie zu lesen sind. Da sich der Wissensstichtag nicht geändert hat, kann der Sprung von Argon zu Carbon nicht aus neuem Weltwissen stammen; plausibler sind Änderungen bei Post-Training-Daten, Reinforcement Learning und Inferenzkonfiguration. Google hat weder Parameterzahlen veröffentlicht noch erklärt, ob „abgeleitet“ Distillation, fortgesetztes Training oder ein anderes Verfahren bedeutet. Größe und Trainingsweg von Hydrogen und Neon lassen sich aus öffentlichem Material daher nicht erschließen. Klar ist: Der Großteil der Fähigkeitsunterschiede innerhalb dieser Generation entsteht nach dem Pre-Training.

Intelligenz: Gleicher Einstellungsname heißt nicht gleiches Reasoning-Budget

Bei seiner Ankündigung am 28. Oktober führte Carbon den Index v5.0 mit 59 an. Drei Wochen später setzt die Neubewertung v5.0.1 Carbon auf 60, doch an der Spitze steht nun Claude Fable 5.2 mit 65, gefolgt von GPT‑6.2 Astra mit 62 und Neon mit 61; Claude Opus 5.5 kommt auf 59, GPT‑6.2 Sol auf 57. Der ECI von Epoch AI ordnet Carbon ähnlich ein: 170, Platz drei von 241 erfassten Modellen, gegenüber 167 für Argon, 174 für Fable 5.2 und 169 für GPT‑6 Astra. Beide Indizes arbeiten mit unterschiedlichen Methoden, sehen Carbon aber in der Spitzengruppe, knapp hinter den aktuellen Führenden. Stand 19. November hat Epoch noch keine Daten zu Neon veröffentlicht; für Hydrogen gibt es Einzelergebnisse, aber noch keinen ECI. Zusammengesetzte Ranglisten verschieben sich von Woche zu Woche, ein einzelner „erster Platz“ hat daher wenig Gewicht. Ankündigung von Carbon · Launch-Evaluation von GPT‑6.2 bei Artificial Analysis · Modellkarte Neon · Epoch-Daten zu Carbon

Aussagekräftiger ist die Kurve über die Reasoning-Stufen. In Klammern stehen die Ausgabetokens für den kompletten Index.

AA Index v5.0.1NeonHydrogenCarbonArgon
low44 (28,3 Mio.)27 (20,3 Mio.)54 (83,9 Mio.)nicht veröffentlicht
medium55 (62,9 Mio.)41 (54,4 Mio.)58 (124 Mio.)48 (81,7 Mio.)
high (Standard)60 (123 Mio.)51 (110 Mio.)60 (205 Mio.)50 (113 Mio.)
xhigh61 (283 Mio.)54 (304 Mio.)nicht angebotennicht angeboten

Neon nach Stufe · Hydrogen nach Stufe · Carbon nach Stufe · Argon nach Stufe

Erstens nimmt der Ertrag schnell ab. Neon von high auf xhigh zu setzen, vervielfacht die Ausgabetokens um den Faktor 2,3 für einen zusätzlichen Punkt, und die Zeit pro Aufgabe steigt von 14,8 auf 21,5 Minuten; derselbe Schritt kostet Hydrogen 2,8-mal so viele Tokens für drei Punkte. Zweitens sind Einstellungsnamen keine Budgeteinheiten. Carbons Stufe low verbraucht 83,9 Millionen Tokens, mehr als Neons medium. Bei ähnlichem Gesamtbudget lautet die Reihenfolge Argon 50, Hydrogen 51, Carbon 58, Neon 60, und das sagt mehr über den Effekt des Post-Trainings aus als ein Vergleich aller Modelle in der Standardeinstellung. Der Vergleich hat Grenzen: Die Tokens sind Summen über den gesamten Index und nicht pro Aufgabe abgeglichen, und die Ausgabegeschwindigkeiten unterscheiden sich. Neon erzeugt bei high etwa 101 Tokens pro Sekunde, Carbon 55 bis 58, sodass dieselbe Tokenmenge unterschiedliche Wartezeiten bedeutet.

Drittens reagiert das kleinere Modell empfindlicher auf das Budget. Von low bis high legt Hydrogen 24 Punkte zurück, Neon 16 und Carbon nur 6. Bei einem schnellen Modell wie Hydrogen kann die falsche Stufe mehr kosten als ein Modellwechsel.

Abstraktes Schließen: Bei ARC‑AGI‑3 ist längeres Nachdenken nicht immer besser

Verifizierte Ergebnisse von ARC PrizeGemini 4 ArgonGemini 4 Carbon
ARC‑AGI‑2, low / medium / high42,1 % / 87,1 % / 91,3 %49,6 % / 94,2 % / 92,1 %
ARC‑AGI‑3 Standardumgebung, low / medium49,8 % / 46,3 %65,1 % / 63,9 %
ARC‑AGI‑3 Standardumgebung, highnicht gewertet (19 von 55 Spielen beendet)nicht gewertet (30 von 55 Spielen beendet)
ARC‑AGI‑3 Provider Adapter, low / medium / high97,5 % / 97,3 % / 97,3 %97,7 % / 99,1 % / 96,9 %

Verifizierte Argon-Ergebnisse von ARC Prize · Verifizierte Carbon-Ergebnisse von ARC Prize

Drei Punkte fallen auf. Erstens steigt der Wert nicht monoton mit der Reasoning-Stufe: Bei ARC‑AGI‑2 schneidet Carbon mit medium besser ab als mit high, in der ARC‑AGI‑3-Standardumgebung mit low besser als mit medium, und auch Argons bestes ARC‑AGI‑3-Ergebnis liegt bei low. Zweitens kann die höchste Stufe in einer interaktiven Umgebung schlicht scheitern. Bei high ließ Carbon zwischen zwei Aktionen so viel Zeit verstreichen, dass Spielsitzungen abliefen; es beendete nur 30 Spiele. Argon schaffte bei high wegen API-Problemen nur 19. Bei statischen Fragen kostet längeres Nachdenken nur Geld, in einer interaktiven Umgebung verbraucht es auch Umgebungszeit. Drittens übertrifft der Abstand zwischen Ausführungsumgebungen den Generationsabstand bei Weitem. Carbon erreicht mit dem Provider Adapter 99,1 %, in der Standardumgebung höchstens 65,1 %, ein Unterschied von rund 34 Punkten. Laut ARC Prize darf das Modell in der Standardumgebung nur die Notizen mitnehmen, die es selbst behalten will, während der Provider Adapter einen opaken Reasoning-Zustand zwischen Anfragen bewahrt und lange Gespräche komprimiert.

Spiel für Spiel betrachtet, konzentrieren sich die Verluste. In der Standardumgebung steht G50T bei Argon wie Carbon auf low und medium bei 0,0 %, BP35 bleibt bei höchstens 1,0 % und TU93 bei höchstens 5,3 %; mit dem Provider Adapter liegen dieselben drei Spiele größtenteils bei 100 %. Der Gesamtwert stieg um 15 Punkte, doch diese Spiele bewegten sich kaum. Eine plausible, aber unbestätigte Deutung: Sie scheitern daran, Zustand über Schritte hinweg zu halten, nicht am Schließen in einem einzelnen Schritt, und der Generationsgewinn entstand vor allem in Umgebungen, die bereits teilweise lösbar waren. Zum Vergleich: GPT‑6.2 Astra erreicht in der Standardumgebung bei max 70,3 %, GPT‑6.2 Sol 54,9 %; Carbon liegt dazwischen. Verifizierte GPT‑6.2-Ergebnisse von ARC Prize

Akademische Fähigkeiten: Wissenskalibrierung, Mathematik und wissenschaftliche Umsetzung

Ergebnisse von Epoch AIGemini 4 ArgonGemini 4 CarbonGemini 4 HydrogenGPT‑6 AstraClaude Fable 5.2
GPQA Diamond96 %97 %97 %96 %96 %
SimpleQA Verified76 %78 %71 %76 %94 %
FrontierMath Tiers 1–3 (v2)86 %91 %88 %94 %95 %
FrontierMath Tier 4 (v2)78 %95 %88 %98 %100 %
FrontierMath Erdős1 %3 %nicht getestet3 %nicht getestet
Chess Puzzles59 %78 %60 %76 %79 %
EBR‑bench (Earthborne Rangers)65 %88 %70 %76 %90 %

Epoch-Daten zu Carbon · Epoch-Daten zu Hydrogen

Wissen und Kalibrierung. GPQA Diamond trennt Spitzenmodelle nicht mehr: Alle fünf in der Tabelle liegen zwischen 96 % und 97 %. Stärker unterscheiden sie sich beim Faktenabruf und darin, was ein Modell tut, wenn es etwas nicht weiß. Bei Epochs SimpleQA Verified erreicht Carbon 78 %, 16 Punkte weniger als Fable 5.2. Auf AA‑Omniscience v1.1 von Artificial Analysis hingegen haben Carbon (medium) und Argon (high) beide eine Halluzinationsrate von 4 %, Carbon ist damit der niedrigste Wert der Rangliste. Der Nenner dieser Kennzahl umfasst alle nicht vollständig richtigen Antworten, der Zähler die eindeutig falschen; zum Vergleich liegen GPT‑6.2 Astra und Sol bei max bei 59 % und 55 %. Beide Ergebnisse stammen aus verschiedenen Fragensätzen und lassen sich nicht verrechnen, weisen aber in dieselbe Richtung: Gemini 4 weiß nicht unbedingt am meisten, verzichtet aber bei Unwissen eher auf eine Antwort oder antwortet nur teilweise, statt etwas zu erfinden. Zumindest bei solchen Wissensfragen liegen seine eindeutigen Antworten seltener daneben; für Literaturrecherchen muss die Abdeckung weiterhin über Suche kommen. Definitionen und Rangliste von AA‑Omniscience

HLE‑Diamond war eine der vier Evaluationen des Index v5.0, in denen Carbon vorne lag. Google meldet 71,3 % für Neon, 67,9 % für Opus 5.5, 64,0 % für GPT‑6.2 Sol und 58,8 % für Hydrogen; alle diese Werte stammen aus Googles Modellkarten. Zusammenfassung von DeepLearning.AI zu den v5.0-Ergebnissen · Modellkarte Neon

Mathematik. Von Argon zu Carbon steigt FrontierMath Tier 4 um 17 Punkte, der größte Generationssprung in diesen Daten, womit Carbon nahe an GPT‑6 Astra und Fable 5.2 heranrückt. FrontierMath Erdős steigt dagegen nur von 1 % auf 3 %. Seine 68 Probleme waren bei Erstellung des Benchmarks offen, eingereichte Beweise oder Widerlegungen werden in Lean geprüft; der aktuelle Bestwert liegt bei 10 % für GPT‑6.2 Astra. Forschungsprobleme mit bekannter Lösung sind nahezu gesättigt, offene Probleme bleiben fast unberührt. Googles selbst gemeldeter RiemannBench steigt von 76,0 % bei Argon und 80,0 % bei Carbon auf 84,0 % bei Neon, in dieselbe Richtung, aber vom Anbieter selbst gemessen. Epochs Rätselbenchmarks zeigen ähnliche Post-Training-Gewinne: Schachaufgaben steigen von 59 % auf 78 %, EBR‑bench von 65 % auf 88 %. Beide verlangen mehrstufige Suche unter Regeln und passen zum Zuwachs in der ARC‑AGI‑3-Standardumgebung. Das schnelle Hydrogen erreicht bei Tier 4 88 %, 10 Punkte mehr als Argon, liegt bei Rätseln aber nah an Argon und kommt bei SimpleQA Verified nur auf 71 %. Eine mögliche Erklärung: Fähigkeiten mit automatisch prüfbaren Antworten wie Mathematik bleiben beim Ableiten eines schnellen Modells besser erhalten, während auswendig gelerntes Wissen stärker von der Modellkapazität abhängt; öffentliches Material reicht nicht aus, um das zu bestätigen. Methodik von FrontierMath Erdős

Wissenschaftliche Umsetzung. Terminal‑Bench‑Science 0.1 verlangt vom Modell, im Terminal Forschungsergebnisse zu liefern, die sich per Test prüfen lassen. In Carbons Modellkarte, mit Läufen von Artificial Analysis, erreicht Carbon 64,8 %, Argon 52,9 %, GPT‑6 Astra 63,3 % und Opus 5.5 59,0 %. Neons Modellkarte meldet 70,5 % für Neon, vor GPT‑6.2 Sol (68,0 %) und Opus 5.5 (63,3 %). Google bezeichnet Neon als Klassenbesten, was innerhalb der gewählten Vergleichsgruppe stimmt; in der vollständigen Rangliste von Artificial Analysis erreicht GPT‑6.2 Astra bei xhigh 78,6 %, also noch 8,1 Punkte mehr. Hydrogen kommt auf 51,4 %, unter seinem Vergleichsmodell Claude Sonnet 5.5 (59,9 %). Rangliste Terminal‑Bench‑Science · Modellkarte Carbon

Softwareentwicklung und Agenten: Die Ausführungsumgebung entscheidet die halbe Antwort

In der offiziellen Rangliste von Terminal‑Bench 4.1 erreicht Carbon (high, Antigravity CLI) 64,5 % ± 3,2 % bei rund 1.400 $ pro vollständigem Lauf; Claude Opus 5.5 und Fable 5.2 liegen gleichauf bei 65,8 %, GPT‑6.2 Astra bei 62,1 %. Carbons Abstand zur Spitze liegt innerhalb des Konfidenzintervalls. Aufschlussreicher ist der Vergleich innerhalb der Familie: Hydrogen erreicht 56,4 % ± 3,0 % für rund 800 $, Argon 55,5 % ± 2,8 % für rund 1.100 $. Das schnelle Modell zieht also für etwa drei Viertel der Kosten mit dem Flaggschiff von vor sechs Wochen gleich. Neons 65,2 % stammen aus Googles Modellkarte und standen am 19. November noch nicht in der offiziellen Rangliste. Rangliste Terminal‑Bench 4.1

Wer Modellkarten vergleicht, sollte zuerst prüfen, wer die Evaluation ausgeführt hat. Die Zeile Terminal‑bench 4.0 in Argons Karte gibt Argon 57,4 % und Opus 5.5 66,4 %; zwei Wochen später wechselt Carbons Karte zu einem von Artificial Analysis ausgeführten Terminal‑Bench 4.0 und gibt Argon 57,1 % und Opus 5.5 59,6 %. Dasselbe Vergleichsmodell weicht im gleichnamigen Benchmark um 6,8 Punkte ab, während sich Argons eigener Wert kaum ändert. Mit den 66,4 % für Opus aus Argons Karte läge Carbons 65,2 % nicht vorn, und in der offiziellen 4.1-Rangliste liegt Carbon ebenfalls knapp hinter Opus. Terminal‑Bench‑Science zeigt dasselbe Muster: GPT‑6 Astra steht in Argons Karte bei 68,1 % und nach den AA-Werten in Carbons Karte bei 63,3 %. Modellkarte Argon · Modellkarte Carbon

SWE‑sweep (Modellkarte Neon)Neutrale mini‑SWE-UmgebungEigene Umgebung des jeweiligen Anbieters
Gemini 4 Neon12,8 %39,0 %
Claude Opus 5.53,6 %10,1 %
GPT‑6.2 Sol11,6 %8,3 %

In der neutralen mini‑SWE-Umgebung liegt Neon nur 1,2 Punkte vor GPT‑6.2 Sol; in der jeweils eigenen Umgebung der Anbieter wächst der Abstand auf 30,7 Punkte. In Antigravity erreicht Neon etwa das Dreifache seines mini‑SWE-Werts, Opus 5.5 legt in der eigenen Umgebung etwa um den Faktor 2,8 zu, und Sol fällt sogar ab. Die Umgebung eines Anbieters ist Teil des Produkts; diese Zahlen messen also Modell plus Werkzeugkette, nicht das Modell allein. Die SWE‑sweep-Zeile in Carbons Modellkarte hat nur eine Spalte und keine Angabe zur Umgebung (Carbon 9,6 %, Argon 4,3 %). Ihr Wert von 3,6 % für Opus 5.5 stimmt mit dem mini‑SWE-Wert in Neons Karte überein, was auf dieselbe Konfiguration hindeutet; trifft das zu, verläuft die Serie auf mini‑SWE über 4,3 %, 9,6 % und 12,8 %. Modellkarte Neon

Andere Programmier-Evaluationen zeichnen ein zurückhaltenderes Bild. Bei FrontierSWE 2 liegt Carbon mit 61,2 % hinter GPT‑6 Astra (65,5 %) und Opus 5.5 (62,3 %); bei FrontierCode 2.0 liegt Neon mit 46,2 % knapp unter Opus 5.5 (47,3 %). Im Coding Agent Index von Artificial Analysis führt Neon (xhigh, Antigravity CLI) mit 59, Fable 5.2 (xhigh) und Opus 5.5 (max) erreichen je 58, bei durchschnittlichen Kosten pro Aufgabe von 6,86 $, 15,47 $ und 12,61 $; Neons Vorteil liegt vor allem bei den Kosten. Computerbedienung ist eine durchgängige Schwäche der Serie: Im Offline-Teilsatz von OSWorld‑2.1 liegt Carbon mit 81,5 % hinter Opus 5.5 (87,2 %) und Hydrogen mit 77,6 % hinter Claude Sonnet 5.5 (83,9 %). Launch-Evaluation von Neon bei Artificial Analysis · Modellkarte Hydrogen

Bei der Wissensarbeit steigt Zapiers AutomationBench von 51,3 % bei Argon und 53,9 % bei Carbon auf 56,3 % bei Neon, und der Kontostand des simulierten Geschäfts in Vending‑Bench 2 wächst von 13.718 $ auf 16.843 $. Argon erreicht im Legal-Agent-Benchmark von Harvey 19,6 %, während kein Vergleichsmodell über 6,7 % kommt; der Vorsprung ist groß, doch das absolute Niveau zeigt, dass solche juristischen Aufgaben noch weit von lieferfähigen Ergebnissen entfernt sind. Auch auf Namen ist zu achten: Das AutomationBench‑AA in Hydrogens Karte (76,1 %) ist die Version von Artificial Analysis und nicht mit der von Zapier vergleichbar.

Langer Kontext und Multimodalität: Vorsprung bei synthetischen Aufgaben, echtes Material braucht eigene Tests

GraphWalks (256K bis 1 Mio. Tokens, Breitensuche, F1) ist laut Google der Bereich mit dem größten Vorsprung der Serie: Argon 84,2 %, Carbon 96,2 % und Neon 95,2 %, gegenüber 66,8 % für Opus 5.5, 71,8 % für GPT‑6 Astra und 80,1 % für GPT‑6.2 Sol; bis 128K erreicht Argon bereits 99,7 %. GraphWalks verteilt die Kanten eines Graphen über eine lange Eingabe und lässt das Modell sie durchlaufen; gemessen wird, wie gut es weit auseinanderliegende Informationen findet und verknüpft. Der Vorsprung spricht für sehr starkes Auffinden und Verknüpfen in sehr langen Eingaben, doch eine synthetische Graphaufgabe enthält keine semantischen Widersprüche, Dokumentversionen oder impliziten Prämissen. Für Vertragsprüfung oder die Synthese mehrerer Fachartikel muss man mit eigenem Material testen. Es handelt sich um Googles eigene Ergebnisse, die noch nicht unabhängig reproduziert wurden. Neon und Hydrogen geben synchron standardmäßig bis zu 64K Tokens aus, über Long Decoding im Hintergrund bis zu 1 Million. Modellkarte Argon · Modellkarte Neon

Bei der Multimodalität gibt es einen Rückschritt. Bei LVBench für das Verständnis langer Videos erreicht Argon 91,7 % und das aus Carbon abgeleitete Neon 89,0 %: weiterhin vor Opus 5.5 (83,7 %) und GPT‑6.2 Sol (87,6 %), aber 2,7 Punkte unter dem eigenen Vorgänger. Bei Chartography liegt Neon mit 73,5 % hinter Sol (75,1 %). Die Visual-Reasoning-Evaluation GDP.pdf von Artificial Analysis verläuft erneut nicht monoton über die Reasoning-Stufen: Neon erreicht bei high 33,4 %, fällt bei xhigh aber auf 28,0 %, Carbon bei high liegt bei 28,4 %. Launch-Evaluation von Neon bei Artificial Analysis

Sicherheit und Alignment: Mehr Cyberfähigkeit, stärker gestaffelte Freigaben

Cybersicherheit ist die Fähigkeit, die Google am stärksten betont, und der Grund für die gestaffelten Freigaben. Bei SEC‑bench Pro für das Aufspüren von Schwachstellen steigen die Werte von 83,4 % bei Argon und 88,2 % bei Carbon auf 90,5 % bei Neon; bei ExploitGym für das Ausnutzen von Schwachstellen erreicht Carbon 54,8 %, Argon 42,0 %. Argon und Carbon gingen zuerst über das Fairwind-Programm an vertrauenswürdige Cyberverteidiger, und Google stellt diesen Verteidigern und eigenen internen Teams auch Versionen ohne Cyber-Schutzmechanismen bereit. Ankündigung von Argon · Ankündigung von Carbon

Argons Modellkarte enthält Einstufungen nach dem Frontier Safety Framework vom April 2026: Die Critical Capability Levels (CCL) der Stufe 1 für Biologie und Cybersicherheit lassen sich nicht ausschließen; Google hat daher Sicherheitsnachweise erstellt und das Modell mit Schutzmaßnahmen als unterhalb des CCL bewertet. Chemie, Radiologie und Nuklearbereich erreichen die Beobachtungsschwelle nicht, und weder die Beschleunigung noch die Automatisierung von ML-Forschung und -Entwicklung erreicht ihr CCL. Nach gezielten Tests erreicht Hydrogen weder bei CBRN noch bei Cyber das CCL, wohl aber in beiden Bereichen die Warnschwellen. Neons Modellkarte gibt an, dass der allgemeine Fähigkeitszuwachs gegenüber Argon unter der Schwelle für eine „wesentliche Fähigkeitsänderung“ lag; die vollständige Bewertung kritischer Fähigkeiten wurde deshalb nicht wiederholt und Argons Einstufungen gelten weiter. Bemerkenswert ist, dass Neon im Index von Artificial Analysis 11 Punkte über Argon liegt; wie Google diese Schwelle festlegt, lässt sich anhand öffentlicher Unterlagen nicht überprüfen. Modellkarte Argon · Modellkarte Hydrogen · Modellkarte Neon

Beim Verhalten zeigen Carbon und Neon auf Terminal‑Bench 4.0 eine Rate erfolgreicher Täuschung von 0,0 % und im Test von Gray Swan zu indirekter Prompt-Injection eine Angriffserfolgsrate von 0,0 % (Neon auf höchster Reasoning-Stufe), gegenüber 0,7 % bei Argon. In Googles Ehrlichkeitsevaluation für Agenten besteht Carbon 92 % der Aufgaben, Argon 70 %; Neon und Hydrogen melden 99,2 % und 94 %, wobei die Ankündigungen offenlassen, ob derselbe Aufgabensatz verwendet wurde. Hydrogens Modellkarte nennt auch einen Preis: Im Vergleich zu Gemini 3.8 Flash steigen unberechtigte Ablehnungen um 5,57 Punkte, besonders bei multimodalen Prompts. Google: Carbon jetzt verfügbar · Ankündigung von Neon · Ankündigung von Hydrogen

Kosten und Auswahl: Preis pro Aufgabe, die die Abnahme besteht

Hydrogen kostet 1,50 $ pro Million Eingabetokens und 7,50 $ pro Million Ausgabetokens, einheitlich über das gesamte 1-Mio.-Fenster; Neon kostet 3 / 15 $, gecachte Eingaben 0,15 $; Carbons Einführungspreis von 2 / 10 $ gilt bis zum 30. November, danach 4 / 20 $. Gecachte Eingaben kosten bei Argon, Carbon und Neon 5 % des Eingabepreises. Nach den Kosten pro Aufgabe von Artificial Analysis erreicht Hydrogen bei xhigh 54 Punkte für 3,16 $, Argon bei high 50 für 4,97 $ (zum Einführungspreis), Neon bei xhigh 61 für 6,44 $ und Carbon bei high 60 für 7,76 $ (zum Standardpreis). Neon bei high erreicht dieselben 60 Punkte wie Carbon bei high für weniger als die Hälfte der Kosten pro Aufgabe. Ankündigung von Hydrogen · Launch-Evaluation von Neon bei Artificial Analysis

Ein nachrechenbares Beispiel: Eine Anfrage mit 100.000 nicht gecachten Eingabetokens und 10.000 Ausgabetokens kostet ohne Tool-Gebühren 0,225 $ mit Hydrogen, 0,45 $ mit Neon und 0,30 $ mit Carbon im Einführungszeitraum bzw. 0,60 $ zum Standardpreis. Angenommen, man leitet Aufgaben zuerst an Hydrogen und eskaliert Fehlschläge an Neon. Bei einem festen Kostenverhältnis pro Aufruf von 1:2 bleiben die reinen Modellkosten unter denen einer direkten Neon-Nutzung, solange weniger als 50 % der Aufgaben eskaliert werden; mit den xhigh-Kosten pro Aufgabe von Artificial Analysis (3,16 $ gegenüber 6,44 $) liegt die Gewinnschwelle bei etwa 51 %. Ein realer Vergleich muss außerdem Wiederholungen, Latenz und die endgültige Bestehensquote einbeziehen. Das Beispiel veranschaulicht nur die Kostenstruktur; die Zahlen sind keine Messungen von Folkbench.

Für automatisch abnehmbare Batch-Aufgaben sollte man Hydrogen zuerst testen: Es erreicht oder übertrifft Argon sowohl im AA-Index als auch bei Terminal‑Bench, zu einem niedrigeren Preis. Für alltägliche Programmierung und Wissensarbeit liegt Neon bei den meisten Evaluationen, die beide Modellkarten gemeinsam haben, gleichauf mit Carbon oder knapp darüber (bei Agents' Last Exam und GraphWalks leicht darunter), und ab dem 30. November ist auch sein Stückpreis niedriger. Für langfristige Softwareentwicklung, Cybersicherheit und interaktive Aufgaben wie ARC‑AGI‑3 ist Carbon weiterhin am besten belegt. Gleich welches Modell: Die Reasoning-Stufen sollten an den eigenen Aufgaben gemessen werden. Bei ARC‑AGI und GDP.pdf war die höchste Stufe nicht immer die beste.

Der Wert von Gemini 4 zum Start liegt nicht in einem einzelnen ersten Platz. In sieben Wochen und mit einem einzigen Wissensstichtag zeigt die Serie, wie weit Post-Training und Inferenzkonfiguration die Fähigkeiten treiben können: 11 Punkte im AA-Index, 15 in der ARC‑AGI‑3-Standardumgebung und 17 bei FrontierMath Tier 4. Sie zeigt auch, was sich auf diesem Weg noch nicht bewegt hat: Offene Mathematikprobleme bleiben im einstelligen Bereich, die Computerbedienung liegt hinter Claude, und mehrere ARC‑AGI‑3-Spiele in der Standardumgebung stehen weiterhin bei null. Modellkarten der Anbieter wählen ihre Vergleichsgruppen und die ausführenden Stellen, unabhängige Ranglisten bewerten neu und wechseln Versionen. Ob sich diese Werte auszahlen, hängt am Ende davon ab, wie die eigenen Aufgaben abgenommen werden.