---
title: "Gemini 4 Carbon im Test: Benchmarks, Preis, Zugang und für wen es sich wirklich lohnt"
description: "Ein nüchterner Test von Gemini 4 Carbon, Googles neuem Spitzenmodell: die Benchmark-Tabelle und wer jeden Test gelaufen ist, Kosten pro Aufgabe gegen Claude Opus 5.5 und GPT-6 Astra, warum es fast niemand nutzen kann, wie der Zugang klappt und für wen es sich lohnt."
author: Aleksei Aleinikov
date: 2026-10-30
lang: de
tags: [gemini 4 carbon, gemini 4 carbon test, gemini 4 carbon vs claude opus 5.5, gemini 4 carbon vs gpt-6 astra, gemini 4 carbon api, gemini 4 carbon preis, gemini 4 argon]
canonical: https://www.alekseialeinikov.com/de/blog/topics/ai/gemini-4-carbon-test-benchmarks-preis-zugang
source: alekseialeinikov.com
---

# Gemini 4 Carbon im Test: Benchmarks, Preis, Zugang und für wen es sich wirklich lohnt

Google hat Gemini 4 Carbon am 28. Oktober veröffentlicht und noch am selben Tag auf Platz eins des Artificial Analysis Intelligence Index gebracht. Dann kommt der Teil, den die meisten Schlagzeilen auslassen: Fast niemand kann es nutzen.

Das macht einen „Test“ schwierig. Außerhalb von Googles Rollout hat niemand Carbon auf dem eigenen Code laufen lassen, also stammt jede Zahl zu Carbon von Google, von Artificial Analysis oder aus Drittanbieter-Leaderboards. Dieser Artikel macht, was ein Test ehrlich leisten kann. Er legt die Zahlen aus, zeigt **wer jede einzelne erzeugt hat**, trennt vertrauenswürdige Vergleiche von weniger vertrauenswürdigen, rechnet die Kosten durch und sagt, welche Leser sich jetzt dafür interessieren sollten und welche warten können.

![Gemini 4 Carbon im Test: ein Balkendiagramm in Google-Farben, in dem Carbon den Artificial-Analysis-Index mit 59 anführt (Opus 5.5: 58, GPT-6 Astra: 57, Argon: 50), aber unter einer verschlossenen Glaskuppel mit dem Hinweis „invite only“ steht.](https://www.alekseialeinikov.com/blog/gemini-4-carbon-review.webp)

> [!KEY]
> **In einer Minute.** Carbon ist Googles stärkstes Modell: Platz 1 im Artificial-Analysis-Index (59), die überzeugendsten Ergebnisse bei Security und langem Kontext, 1 Mio. Tokens Kontext und ein Listenpreis wie Opus 5.5. Es ist **nicht öffentlich verfügbar**, es gewinnt nicht jeden Benchmark, und einige seiner besten Zahlen hat Google selbst gemessen. Wenn du heute etwas brauchst, nimm Gemini 4 Argon, Claude Opus 5.5 oder GPT-6 Astra und teste Carbon neu, sobald es öffnet.

## Für wen ist Gemini 4 Carbon?

Fang hier an, denn das entscheidet, ob der Rest für dich zählt.

| Du bist | Carbon heute | Stattdessen jetzt | Warum |
|---|---|---|---|
| Verteidiger in einer Behörde, einem Gesundheitsdienst oder Telekommunikationsunternehmen | **Bewerben** über dein Google-Cloud-Account-Team (Fairwind) | Gemini 4 Argon | Carbons größter Vorsprung liegt bei Security-Benchmarks, und Reverse Engineering und Malware-Analyse sind erlaubte Fairwind-Aufgaben |
| Entwickler, der Coding-Agenten baut | **Warten** | Claude Opus 5.5 oder GPT-6 Astra | Carbon ist nah dran, aber bei Real-Repo- und Computer-Use-Benchmarks hinten (siehe Tabelle unten) |
| Team mit sehr langen Dokumenten (256K bis 1M Tokens) | **Warten** | Gemini 4 Argon | Die größte Lücke in Googles Tabelle ist Retrieval über langen Kontext (GraphWalks), und Argon schlägt dort schon Astra und Opus |
| Team, das SaaS- und Wissensarbeits-Workflows automatisiert | **Warten** | Argon oder Opus 5.5 | Carbon führt das Private-Set AutomationBench mit 11 Punkten vor Opus, aber nicht AA-Briefcase |
| Hohes Volumen bei knappem Budget | **Überspringen** | GPT-6 Astra | Astra hat die niedrigsten Kosten pro Aufgabe der drei, und Carbon ist sehr wortreich |
| Einzelner Entwickler, Student oder Hobbyist | **Nicht möglich** | Argon im bezahlten Gemini-API-Tarif | Für Einzelpersonen gibt es keinen Weg |

![Gemini 4 Carbon im Test: für wen es ist. Eine Matrix mit sechs Lesertypen, jeweils mit Urteil (jetzt nutzen, bewerben, warten oder überspringen) und dem Modell, das du stattdessen nimmst.](https://www.alekseialeinikov.com/blog/gemini-4-carbon-review-who-for.webp "Sechs Leser, sechs Urteile.")

## Was Gemini 4 Carbon ist

Google nennt Carbon sein „stärkstes Modell“, gebaut für lange agentische Workflows und Security-Arbeit. Die wichtigen Details:

- **Familie.** Gemini 4 Argon kam am 13. Oktober als Flaggschiff. Carbon folgte zwei Wochen später als nächster Schritt, nicht als Ersatz.
- **Ein- und Ausgabe.** Text, Bild, Sprache und Video rein, Text raus, mit **1 Mio. Tokens Kontext**.
- **Schwerpunkt.** Langfristige agentische Arbeit (laut Google läuft es intern „für Tage“ an langen Aufgaben) und Cybersecurity-Verteidigung: Schwachstellen finden, prüfen ob sie ausnutzbar sind und den Patch schreiben.
- **Reasoning.** Googles Zahlen nutzen die höchste Denkstufe über die Gemini API.
- **Sicherheitsbehauptungen.** Neue Aussagen zur Resistenz gegen Prompt Injection und zu weniger Abkürzungen wie Betrug in Benchmarks. Dazu unten mehr.

## Kannst du Gemini 4 Carbon heute nutzen? Zugang, Fairwind und der Wartesaal

Das ist die Frage unter fast der gesamten Diskussion, und Googles Antwort ist ein gestufter Rollout.

![Gemini 4 Carbon Zugang: eine Leiter mit vier Stufen von Gemini 4 Argon, heute verfügbar, über Cyber-Verteidiger und Fairwind-Partner bis zu Entwicklern, Unternehmen und Verbrauchern ohne Datum.](https://www.alekseialeinikov.com/blog/gemini-4-carbon-review-access.webp "Vier Sprossen. Du stehst auf der ersten.")

1. **Heute, öffentlich:** **Gemini 4 Argon** über den bezahlten Tarif der Gemini API (Google AI Studio, Android Studio). Abonnenten von Google AI Ultra können es außerdem in AI Studio und in Google Antigravity nutzen.
2. **Carbon, erste Welle:** „eine Auswahl von Cyber-Verteidigern“, beginnend in der Woche der Ankündigung. Google sagt nicht, wie diese Gruppe ausgewählt wurde.
3. **Carbon, zweite Welle:** „weitere vertrauenswürdige Partner“ über das **Fairwind-Programm**.
4. **Carbon, öffentlich:** Entwickler, Unternehmen und Verbraucher „so bald wie möglich“, während Google Feedback sammelt, die Guardrails nachschärft und am freiwilligen Vorab-Testverfahren der US-Regierung teilnimmt. Kein Datum.

**Was Fairwind ist.** Ein Programm von Google DeepMind, das Verteidigern mit hoher Priorität frühen Zugang zu fortgeschrittenen Modellen gibt. Laut Google arbeitet es weltweit mit mehr als 650 Partnern, etwa Behörden, Gesundheitsdienstleistern und Telekommunikationsanbietern. Für die Bewerbung wendest du dich an dein Google-Cloud-Account-Team. Google prüft Organisationen im Hintergrund, mit Blick auf Sicherheitshistorie und ethische Bilanz. Partner stimmen bestimmten Bedingungen zu: Authentifizierung auf Nutzerebene, phishing-resistente MFA, Zugang nur für interne Teams für Cybersecurity, Incident Response oder Penetrationstests, nachverfolgte Nutzung und kein Teilen oder Weiterverkaufen. Zu den erlaubten Dual-Use-Aufgaben gehören autorisierte Bedrohungssimulation, **Reverse Engineering** und Malware-Analyse für Verteidigung und akademische Forschung. (Wenn dich der letzte Punkt interessiert: [Ghidra MCP vs. REA](https://www.alekseialeinikov.com/de/blog/topics/security/ghidra-mcp-vs-rea-ki-reverse-engineering) zeigt, wie Agenten Reverse Engineering machen und wo die rechtlichen Grenzen liegen.)

> [!NOTE]
> Fairwind ist für Organisationen. Auf Googles Seite gibt es keinen Weg für Einzelpersonen. Wenn du nicht zu einer berechtigten Organisation gehörst, behandle Carbon als „auf den öffentlichen Start warten“.

## Gemini 4 Carbon Benchmarks: Wo es gewinnt und wo nicht

Hier ist Googles eigene Vergleichstabelle aus dem Evaluierungsdokument, der beste Wert pro Zeile fett. Carbon gewinnt 15 von 17 Zeilen. Zwei verliert es.

| Bereich | Benchmark | Carbon | Argon | GPT-6 Astra | Opus 5.5 | Fable 5.1 |
|---|---|---|---|---|---|---|
| Allgemein | AA Intelligence Index v5 (mit Tools) | **59** | 50 | 57 | 58 | 49 |
| Allgemein | Vals Index v2.2 | **70,4 %** | 69,2 % | 65,0 % | 70,2 % | n/a |
| Coding | SWE-sweep | **9,6 %** | 4,3 % | 9,5 % | 3,6 % | 2,9 % |
| Coding | FrontierSWE 2 | 61,2 % | 55,0 % | **65,5 %** | 62,3 % | 56,3 % |
| Coding | Terminal-Bench 4.0 (AA) | **65,2 %** | 57,1 % | 59,1 % | 59,6 % | 52,0 % |
| Computer Use | Agents' Last Exam v1.1 | **77,4 %** | 69,0 % | 73,1 % | 71,6 % | n/a |
| Computer Use | OSWorld 2.1, Offline-Teilmenge | 81,5 % | 74,7 % | 80,9 % | **87,2 %** | 76,8 % |
| Wissensarbeit | AutomationBench (Zapier, Private Set) | **53,9 %** | 51,3 % | 41,4 % | 42,5 % | 31,4 % |
| Wissensarbeit | Vending-Bench 2 (Kontostand) | **16.484 $** | 13.718 $ | 15.515 $ | 9.235 $ | 5.422 $ |
| Multimodal | Chartography | **72,5 %** | 71,6 % | 71,0 % | 66,3 % | 46,2 % |
| Multimodal | Blueprint-Bench 2 | **58,6 %** | 54,4 % | 49,7 % | 51,2 % | 41,9 % |
| Langer Kontext | GraphWalks 256K bis 1M (BFS, F1) | **96,2 %** | 84,2 % | 71,8 % | 66,8 % | 65,0 % |
| Wissenschaft | RiemannBench | **80,0 %** | 76,0 % | 72,0 % | 69,6 % | 65,6 % |
| Wissenschaft | Terminal-Bench-Science 0.1 (AA) | **64,8 %** | 52,9 % | 63,3 % | 59,0 % | 43,3 % |
| Security | CWE-bench | **71,0 %** | 68,0 % | 68,0 % | 67,0 % | 58,0 % |
| Security | ExploitGym | **54,8 %** | 42,0 % | 42,4 % | 34,5 % | n/a |
| Security | SEC-bench Pro | **88,2 %** | 83,4 % | 85,4 % | n/a | n/a |

Quelle: Google DeepMind, „Gemini 4 Carbon model evaluation“, Oktober 2026.

![Gemini 4 Carbon Benchmarks: ein Punktdiagramm, das Carbon, Argon, GPT-6 Astra und Claude Opus 5.5 über acht Benchmarks vergleicht. Carbon liegt meist vorn und bei FrontierSWE 2 und OSWorld hinten.](https://www.alekseialeinikov.com/blog/gemini-4-carbon-review-scoreboard.webp "Wo die Punkte liegen, zählt mehr als wer Erster ist.")

Wie groß sind die Siege? Sortiert nach Abstand zum besten Konkurrenten:

- **Groß:** GraphWalks, Retrieval über langen Kontext (+12 Punkte vor Argon, +24 vor Astra), ExploitGym (+12 vor Astra), AutomationBench (+11 vor Opus), Terminal-Bench 4.0 (+5,6 vor Opus), Agents' Last Exam (+4,3 vor Astra).
- **Klein:** CWE-bench (+3), Terminal-Bench-Science (+1,5 vor Astra), Chartography (+0,9 vor Argon).
- **Praktisch ein Gleichstand:** der AA-Index (+1 vor Opus), der Vals Index (+0,2) und SWE-sweep (+0,1).
- **Niederlagen:** FrontierSWE 2, wo Carbon hinter Astra und Opus Dritter ist, und OSWorld offline, wo Opus 5.5 fast sechs Punkte vorn liegt.

Das Muster ist nützlich. Carbon ist außergewöhnlich bei **Nadel-im-Heuhaufen-Aufgaben über riesige Eingaben**, bei **Security-Aufgaben** und bei **strukturierter SaaS-Automatisierung**. Bei den beiden Benchmarks, die „Agent, der Issues in einem echten Repo löst“ und „Agent, der einen Computer bedient“ am nächsten kommen, liegt es nicht vorn.

## Wie du Googles Tabelle liest: Wer hat welchen Test gemessen

Eine Zahl ist nur so vergleichbar wie der Prozess, der sie erzeugt hat. Googles Methodik-Hinweise sagen das offen, und sie ändern das Gewicht jeder Zeile.

Die allgemeinen Regeln: Die Ergebnisse von Carbon und Argon laufen über die Gemini API mit der **höchsten Denkstufe**. Die Zahlen der Nicht-Gemini-Modelle stammen **aus den eigenen Angaben der Anbieter** bei maximalem Reasoning, soweit verfügbar, sonst aus dem besten veröffentlichten Reasoning-Ergebnis. Du vergleichst also Läufe, die Google kontrolliert hat, mit Läufen, die es nicht kontrolliert hat.

| Benchmark | Wer Carbons Zahl erzeugt hat | Woher die Zahlen der Konkurrenz stammen | Vergleichbarkeit |
|---|---|---|---|
| AA Index, Terminal-Bench 4.0, Terminal-Bench-Science | Artificial Analysis | Artificial Analysis | Hoch: ein unabhängiger Prüfer |
| Vals Index | Vals AI | Vals AI | Hoch |
| FrontierSWE 2, AutomationBench, Vending-Bench 2, Blueprint-Bench 2, Chartography, RiemannBench | Öffentliche Leaderboards (Proximal, Zapier, Andon Labs, Surge) | Dieselben Leaderboards | Hoch |
| CWE-bench | Collinears öffentliches Leaderboard, über alle Modelle gelaufen | Dasselbe | Hoch |
| GraphWalks 256K bis 1M | Google | Google, für alle Modelle | Mittel: gleiches Harness, aber von Google betrieben |
| SWE-sweep | Google, mit dem mini-swe-agent-Harness | Öffentliches SWE-sweep-Leaderboard | Niedrig |
| Agents' Last Exam v1.1 | Google, ALE-Claw-Harness, 5-Stunden-Fenster, Safety-Filter an | Öffentliches Leaderboard | Niedrig |
| OSWorld 2.1 offline | Google, bester von 3 Läufen auf einer Teilmenge von 82 Offline-Aufgaben | Veröffentlichte Auswertungen und System Cards | Niedrig |
| ExploitGym | Google, Antigravity-Harness, kein Internet, Mitigations aus, Timeouts von 6 und 10 Stunden | System Cards und Technical Reports der Konkurrenz | Niedrig |
| SEC-bench Pro | Google, 183-Aufgaben-Split für JavaScript-Engines vom Mai 2026, pass@1 über 3 Läufe gemittelt | System Cards und Technical Reports der Konkurrenz | Niedrig |

![Gemini 4 Carbon Benchmarks: wer den Test gemessen hat. Eine Vertrauensleiter von unabhängigen Leaderboards oben bis zu Google-Läufen gegen veröffentlichte Zahlen der Konkurrenz unten.](https://www.alekseialeinikov.com/blog/gemini-4-carbon-review-trust.webp "Dieselbe Tabelle, sortiert danach, wie sehr du dem Vergleich trauen solltest.")

Daraus folgen zwei Dinge.

**1. Carbons Vorsprung hält in den Zeilen mit hoher Vergleichbarkeit.** AutomationBench auf einem privaten Set (+11 vor Opus), Terminal-Bench 4.0, Terminal-Bench-Science, der AA-Index und CWE-bench werden von Dritten über alle Modelle hinweg gemessen. Das ist der Beleg, dass Carbon wirklich stark ist.

**2. Die lautesten Security-Zahlen stehen in den Zeilen mit niedriger Vergleichbarkeit.** ExploitGym (54,8 % gegen 42,4 % für Astra) und SEC-bench Pro betreibt Google auf dem eigenen Harness, während die Werte der Konkurrenz aus System Cards stammen, die andere Harnesses, andere Timeouts und andere Einstellungen nutzten. Sie zeigen, dass Carbon leistungsfähig ist. Sie belegen nicht, wie groß der Abstand ist. Der einzige unabhängig gemessene Security-Benchmark der Tabelle, CWE-bench, zeigt drei Punkte Abstand.

## Was unabhängige Tests sagen

Artificial Analysis liefert die nützlichste Außensicht, und sie ist weniger dramatisch als die Schlagzeile.

- **Intelligence Index v5:** Carbon 59, Opus 5.5 58, GPT-6 Astra 57, Argon 50, Fable 5.1 49. Carbon hat bei 4 von 9 Index-Evaluierungen den Höchstwert: HLE-Diamond, Terminal-Bench-Science, AA-Omniscience und AutomationBench-AA. Bei Coding und Wissensarbeit führt es nicht durchgehend.
- **Coding Agent Index:** Carbon mit Antigravity CLI erreicht 59. Claude Code mit Opus 5.5 (max) erreicht 62. Carbon ist Zweiter bei Terminal-Bench 4.0 (64 %) und bei FrontierCode v1.1 (51 %, hinter Opus 5.5 mit 56 %). Das ist stark, aber keine Führung.
- **Agentische Wissensarbeit (AA-Briefcase):** Carbon erreicht 1609 Elo, 126 mehr als Argon (1483), liegt aber noch hinter Grok 4.7 (1638), Muse Wonder (1659) und Kimi K3.1 Pro (1678).
- **Wissen und Halluzination (AA-Omniscience v1.1):** Carbon 54, vor Opus 5.5 (48) und Argon (46). Die Genauigkeit stieg auf 58 %, 10 Punkte über Argon. Die Halluzinationsrate stieg von 4 % (Argon) auf 11 %, liegt aber weit unter den 50 %, die Artificial Analysis für Opus 5.5 und GPT-6 Astra angibt.
- **Tempo und Wortreichtum:** rund 85 Output-Tokens pro Sekunde, leicht über dem Durchschnitt von 81. Aber für den Index erzeugte es **200 Mio. Output-Tokens**, bei einem Median von 71 Mio., was Artificial Analysis als sehr wortreich beschreibt. Pro Aufgabe waren es 123K Output-Tokens, 29 % weniger als bei Opus 5.5 (173K).

## Gemini 4 Carbon Preis und Kosten pro Aufgabe

Listenpreis und Preis pro erledigter Aufgabe sind verschiedene Dinge, und bei Reasoning-Modellen zählt der zweite.

| | Gemini 4 Carbon | Claude Opus 5.5 | GPT-6 Astra |
|---|---|---|---|
| Standardpreis pro 1M Tokens (Input / Output) | 4 $ / 20 $ | 4 $ / 20 $ | 10 $ / 50 $ |
| Einführungspreis | 2 $ / 10 $ (wie Argon) | keiner | keiner |
| Gecachter Input | 95 % günstiger | n/a | n/a |
| Kosten pro Aufgabe im Intelligence Index | 7,76 $ | 10,04 $ | **6,25 $** |
| Output-Tokens pro Aufgabe | 123K | 173K | n/a |
| Kontextfenster | 1M | n/a | n/a |

Die Preise für Opus 5.5 und Astra sind ihre Standard-Listenpreise aus [unseren früheren Modellvergleichen](https://www.alekseialeinikov.com/de/blog/topics/ai/gpt-6-1-sol-vs-claude-opus-5-5-vergleich); die Kosten pro Aufgabe sind die Messung von Artificial Analysis bei maximalem Reasoning.

So liest du das:

- Carbon kostet **23 % weniger pro Aufgabe als Opus 5.5** bei gleichem Listenpreis, weil es weniger Output-Tokens verbraucht.
- Es kostet etwa **das 1,2-Fache von GPT-6 Astra**, dessen Listenpreis zweieinhalbmal höher liegt, das pro Aufgabe aber trotzdem günstiger ausfällt.
- Zum Einführungspreis von 2 $ und 10 $ würde dieselbe Arbeitslast ungefähr die Hälfte kosten. Artificial Analysis vermerkt, dass der Rabatt kein bestätigtes Ende hat, plane also nicht damit.
- Für 1.000 vergleichbare Aufgaben sind das bei Standardpreisen etwa 7.760 $ für Carbon, 10.040 $ für Opus 5.5 und 6.250 $ für Astra.

## Die Security-Behauptungen, geprüft an ihren Quellen

Googles Launch-Post beginnt mit Cybersecurity, und das ist der Teil, der anderswo am wenigsten diskutiert wird. Hier jede Behauptung mit Quelle und Grenze.

| Behauptung | Was sie stützt | Die Grenze |
|---|---|---|
| 88,2 % bei SEC-bench Pro | Googles eigener Lauf auf 183 JavaScript-Engine-Aufgaben | Zahlen der Konkurrenz stammen aus System Cards, nicht aus demselben Harness. Für Opus 5.5 gibt es keinen Wert |
| 54,8 % bei ExploitGym vs. 42,4 % für Astra | Googles eigener Lauf, kein Internet, Mitigations aus | Mitigations sind aus, Timeouts 6 und 10 Stunden. Zahlen der Konkurrenz stammen aus anderen Harnesses, also kein Vergleich unter gleichen Bedingungen |
| 71,0 % bei CWE-bench vs. 68,0 % | Collinears öffentliches Leaderboard, über Modelle hinweg gelaufen | Die einzige unabhängige Security-Zeile, und der Abstand beträgt 3 Punkte |
| 0,0 % Angriffserfolg beim Gray-Swan-Benchmark für indirekte Prompt Injection (Argon: 0,7 %) | Googles Launch-Post | Ein Benchmark-Ergebnis ist keine Immunität. Warum Design besser schützt als Modellversprechen, steht in [der Lethal Trifecta](https://www.alekseialeinikov.com/de/blog/topics/security/prompt-injection-abwehr-2026-lethal-trifecta-test) |
| „Cheating“ bei Terminal-Bench 4.0 auf 0,0 % gesenkt, Versuche auf 0,4 % | Googles interne Messung | Vom Anbieter berichtet |
| Das Chrome-Team sah mehr als 10-mal bessere Patches als beim Modell eines anderen Labors; Wiz sieht Carbon bei Web-Pentest-Benchmarks vorn | Google zitiert Partner | Keine Daten veröffentlicht |

Die ehrliche Zusammenfassung: Carbon ist bei Security-Arbeit wahrscheinlich sehr gut, und die eine unabhängige Zahl stimmt zu. Aber „State of the Art mit großem Abstand“ ist derzeit Googles Aussage über Google-eigene Tests.

## Carbon vs. Opus 5.5 vs. GPT-6 Astra: Was du nimmst

Entscheide nach dem, was du tust, nicht nach dem, wer in einem Leaderboard vorn liegt.

- **Du baust oder betreibst Coding-Agenten:** Claude Opus 5.5. Es ist der stärkste Coding-Agent im Coding Agent Index von Artificial Analysis (62), führt OSWorld offline, und du kannst es heute nutzen. GPT-6 Astra, wenn du an großen Real-Repo-Aufgaben arbeitest (es führt FrontierSWE 2) oder auf Kosten pro Aufgabe achtest.
- **Du verarbeitest riesige Dokumente oder Codebasen in einem Prompt:** jetzt Gemini 4 Argon, später Carbon. Die GraphWalks-Ergebnisse deuten darauf hin, dass die Gemini-4-Familie sehr lange Eingaben besser verarbeitet als die anderen, und Carbon liegt selbst vor Argon weit vorn.
- **Du automatisierst SaaS- und Back-Office-Workflows:** Carbons Vorsprung bei AutomationBench ist echt und unabhängig gemessen, aber AA-Briefcase zeigt andere vorn. Warte und teste an deinen eigenen Workflows.
- **Du machst Security-Forschung oder Verteidigung:** bewirb dich über deine Organisation bei Fairwind und teste in der Zwischenzeit Argon oder Opus 5.5 an deinen eigenen Schwachstellen.
- **Du entscheidest nach Kosten:** GPT-6 Astra hat in den Daten von Artificial Analysis die niedrigsten Kosten pro Aufgabe der drei.

Wie sich die Claude- und OpenAI-Stufen untereinander schlagen, steht in [GPT-6.1 Sol vs. Claude Opus 5.5](https://www.alekseialeinikov.com/de/blog/topics/ai/gpt-6-1-sol-vs-claude-opus-5-5-vergleich) und [Claude Sonnet 5.5 vs. Opus 5.5](https://www.alekseialeinikov.com/de/blog/topics/ai/claude-sonnet-5-5-vs-opus-5-5-vergleich). Wenn du Gemini auf Google Cloud betreibst, behandelt [was Gemini 4 Argon für Platform-Teams bedeutet](https://www.alekseialeinikov.com/de/blog/topics/cloud/gemini-4-argon-google-cloud-was-platform-teams-wissen-muessen) Routing und Migration.

## Was die Community sagt

Die Carbon-Ankündigung bekam auf Hacker News mehr als tausend Punkte, ein separater Thread zum Ergebnis von Artificial Analysis noch einige hundert dazu. Über rund tausend Kommentare waren die Hauptthemen:

1. **Zugang und Limits** (etwa jeder fünfte Kommentar): ein Modell, das ein Ranking anführt, bevor es jemand nutzen kann. Genannt werden die Limits von Argon im Pro-Tarif, wo eine Handvoll Nachrichten eine mehrstündige Abkühlzeit auslösen kann.
2. **Vergleiche mit Claude und Opus** (etwa jeder sechste), meist mit Lob für Opus 5.5 als funktionierenden Coding-Agenten.
3. **Preis** und **Vertrauen in Benchmarks**: Kritik, dass ein unveröffentlichtes Modell den Index anführt und dass der Launch mit einer Earnings Call zusammenfiel.
4. **Halluzination.** Mehrere Nutzer berichteten, dass Argon Dinge erfindet. Googles eigene Aussage zu Carbon ist, dass unbelegte Behauptungen etwa um die Hälfte sanken.

Fast abwesend in der Diskussion: die Security-Ergebnisse, mit denen Google wirbt (etwa 2 % der Kommentare), Aussagen zu Prompt Injection (ein einziger Kommentar) und die Verfügbarkeit in Europa (unter 1 %). Genau diese Themen deckt dieser Test ab.

## Was du testen solltest, sobald du Zugang hast

Wenn Carbon öffnet, ignoriere das Leaderboard und fahre eine eigene kleine Evaluierung:

1. **Deine 20 schwersten echten Aufgaben, mit Tools.** Miss die Erfolgsquote und die **Kosten pro gelöster Aufgabe**, nicht den Preis pro Token.
2. **Ein Langkontext-Test mit eigenem Material.** Pack 500K Tokens deiner eigenen Dokumente in einen Prompt und stelle Multi-Hop-Fragen, nicht nur Nadel-Suchen.
3. **Ein Halluzinationstest.** 100 Fragen mit bekannten Antworten, darunter Fragen ohne Antwort, und zähle die erfundenen.
4. **Ein Prompt-Injection-Test.** Platziere feindliche Anweisungen in Tool-Ausgaben, Webseiten und Dokumenten, die dein Agent liest, und prüfe, ob er gehorcht.
5. **Wortreichtum.** Protokolliere Output-Tokens pro Aufgabe. Carbons Indexlauf mit 200 Mio. Tokens ist eine Warnung, die du vor der Budgetzusage prüfen solltest.
6. **Ein Fallback.** Halte den Modellnamen in der Konfiguration und ein zweites Modell angebunden, damit der Wechsel eine Zeile kostet.

## Das Fazit

Gemini 4 Carbon ist ein echter Fortschritt, und es ist ein Schritt, den du noch nicht gehen kannst. Es ist bei Artificial Analysis um einen Punkt vorn, bei langem Kontext und SaaS-Automatisierung deutlich voraus, wahrscheinlich das beste Modell für defensive Security-Arbeit und bei zwei der Benchmarks, die dem Engineering-Alltag am nächsten sind, weiter hinter Opus 5.5 und GPT-6 Astra. Die stärksten Zahlen tragen Googles Namen auf dem Test.

Wenn du diese Woche ein Modell wählst: Baue auf Gemini 4 Argon, Claude Opus 5.5 oder GPT-6 Astra, halte den Modellnamen konfigurierbar und trage „Carbon neu testen“ in den Kalender ein, für den Tag, an dem Google es für Entwickler öffnet. Wenn du für eine Organisation arbeitest, die kritische Infrastruktur verteidigt, frag jetzt dein Google-Cloud-Account-Team nach Fairwind.

> Zur praktischen Seite von Googles Modellen zeigt [Gemini 4 Argon für Platform-Teams](https://www.alekseialeinikov.com/de/blog/topics/cloud/gemini-4-argon-google-cloud-was-platform-teams-wissen-muessen), wie du nach Aufgabe routest und Regel für Regel migrierst.

## Quellen

- Google: [Ankündigung von Gemini 4 Carbon](https://blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-gemini-4-carbon/), [Methodik der Modellevaluierung](https://deepmind.google/models/evals-methodology/gemini-4-carbon), [Fairwind-Programm](https://deepmind.google/fairwind-program/), [Gemini 4 Argon für Entwickler](https://blog.google/innovation-and-ai/technology/developers-tools/build-with-gemini-4-argon/)
- Artificial Analysis: [Carbon ist die neue Nummer eins](https://artificialanalysis.ai/articles/gemini-4-carbon-new-number-1), [Modellseite](https://artificialanalysis.ai/models/gemini-4-carbon)
- Community-Diskussion: Hacker-News-Threads zur Carbon-Ankündigung und zum Index-Ergebnis von Artificial Analysis