Google stellt Gemini 4 Carbon mit Spitzenwert im KI-Ranking und beschränktem Zugang für Cyberabwehrteams vor

Neuer Spitzenreiter im Ranking, Zugang jedoch beschränkt

Google hat Gemini 4 Carbon vorgestellt, ein Modell künstlicher Intelligenz, das im Artificial Analysis Intelligence Index v5.0 59 Punkte erzielte und starke Ergebnisse beim Aufspüren, Testen und Beheben von Software-Schwachstellen vorwies. Zu den ersten Nutzern zählen ausgewählte Cyberabwehrteams, nicht die breite Öffentlichkeit.

Googles Ankündigung von Gemini 4 Carbon vom 28. Oktober 2026 platziert das Modell in diesem allgemeinen Leistungsindex vor Claude Opus 5.5 und GPT-6 Astra. Der Start folgt nur zwei Wochen nach Gemini 4 Argon. Damit bringt Google ein weiteres Spitzenmodell auf den Markt, bevor viele Nutzer viel Zeit hatten, den Vorgänger auszuprobieren.

Koray Kavukcuoglu, Senior Vice President bei Google DeepMind und Chefarchitekt für KI bei Google, beschrieb die zentralen Stärken des Modells:

Gemini 4 Carbon ist unser leistungsstärkstes Modell mit modernsten Fähigkeiten im Bereich Cybersicherheit und bei lang andauernden Aufgaben.

Google zufolge haben interne Teams beobachtet, wie Carbon tagelang an anspruchsvollen Entwicklungsaufgaben arbeitete, darunter das Aufspüren subtiler Fehler und das Erstellen von Korrekturen in großen Softwareprojekten. Für Sicherheitsteams verspricht das einen Assistenten, der sich auch nach mehreren gescheiterten Ansätzen weiter mit einem Problem beschäftigt, statt lediglich eine Antwort vorzuschlagen und dann aufzuhören.

Der Start von Carbon macht zugleich ein praktisches Spannungsfeld deutlich. Die Fähigkeit, Software-Schwachstellen zu entdecken und auszunutzen, kann Verteidigern helfen, Systeme zu reparieren, zugleich aber auch Angreifern nützliche Möglichkeiten eröffnen. Google beteiligt sich vor der Veröffentlichung an freiwilligen Tests der US-Regierung und will den Zugang über sein Fairwind-Programm schrittweise ausweiten.

Das aussagekräftigste Bild ergibt sich aus der Gesamtschau der Ergebnisse: Carbon führt einen breit angelegten Intelligenzindex und mehrere Sicherheitstests an, liegt bei einigen Programmieraufgaben jedoch hinter Wettbewerbern. Googles interne Verbesserungen bei der Zuverlässigkeit stehen zudem einem externen Test gegenüber, in dem die Rate erfundener Antworten gegenüber Argon gestiegen ist.

Was die Cybersicherheitswerte messen

Google nennt drei zentrale Sicherheitsergebnisse: 88,2 Prozent bei SEC-bench Pro, 54,8 Prozent bei ExploitGym und 71,0 Prozent bei CWE-bench von Collinear. Jeder Test misst einen anderen Teil der Arbeit von Verteidigern.

SEC-bench Pro prüft, ob ein Modell Schwachstellen in echter Software finden kann. Eine Schwachstelle ist ein Fehler, der jemandem den Zugriff auf Informationen, die Änderung eines Systems oder die Störung seines Betriebs ermöglichen könnte. Google zufolge liegt Carbon bei dieser Bewertung vorn, weil es komplexe Fehler aufdeckt, die tief in Software verborgen sind.

ExploitGym prüft den nächsten Schritt: eine Schwachstelle in einen funktionierenden Exploit umzuwandeln. Ein Exploit ist eine Methode, einen Fehler auszunutzen, damit sich ein System auf unbeabsichtigte Weise verhält. Sicherheitsteams nutzen kontrollierte Angriffe, um zu prüfen, welche Schwachstellen eine unmittelbare Gefahr darstellen und zuerst behoben werden sollten.

CWE-bench misst das Beheben von Schwachstellen, also das Schreiben von Code, der das zugrunde liegende Problem löst. Carbons Wert von 71,0 Prozent rückt den Abschluss der Reparatur in den Mittelpunkt, nicht nur das Aufzeigen verdächtigen Codes.

Google zufolge wurden diese externen Cybersicherheits-Benchmarks ohne Schutzvorkehrungen durchgeführt. Das heißt, die Schutzbeschränkungen, mit denen die Aktionen eines bereitgestellten Modells eingegrenzt werden, waren während dieser Tests nicht aktiv. Die Ergebnisse beschreiben die Leistung unter diesen Testbedingungen; bei der Nutzung über Google-Produkte werden die Sicherheitsvorkehrungen aktiviert sein.

Google berichtet außerdem, dass Carbon in internen Benchmarks mehr als doppelt so häufig sicheren Code generiert wie Argon. Das Chrome-Team von Google erklärt, Carbon habe bei der Erstellung hochwertiger Patches mehr als zehnmal besser abgeschnitten als das große Spitzenmodell eines nicht genannten Konkurrenzlabors. Diese internen Ergebnisse zu sicherem Code wurden bislang nicht unabhängig reproduziert, und Google nennt das Konkurrenzmodell in diesem Vergleich nicht.

Platz eins bedeutet nicht, dass jede Aufgabe gewonnen wird

Artificial Analysis vergibt für Carbon 59 Punkte im Intelligence Index v5.0, verglichen mit 58 für Claude Opus 5.5 und 57 für GPT-6 Astra. Carbon liegt damit einen Punkt vor Opus und zwei Punkte vor Astra. Der Abstand ist geringer als in Googles aussagekräftigsten Cybersicherheitsvergleichen.

Der Index kombiniert neun Tests. Carbon liegt in vier davon vorn: HLE-Diamond, TB-Science, AA-Omniscience und AutomationBench. Artificial Analysis zufolge beruhen 60 Prozent des überarbeiteten Index auf nicht öffentlichen Tests, deren Fragen nicht allgemein zugänglich sind.

Bei Programmieraufgaben fallen die Ergebnisse gemischter aus. Carbon in Verbindung mit Googles Antigravity CLI erreicht im Coding Agent Index 59 Punkte, während Claude Code mit Opus 5.5 auf 62 kommt. Ein Programmieragent kombiniert ein Modell mit Werkzeugen, mit denen es Dateien prüfen, Befehle ausführen und Software bearbeiten kann. Daher beeinflusst auch die begleitende Software das Ergebnis.

Bei FrontierCode v1.1 erreicht Carbon 51 Prozent und liegt damit hinter Opus mit 56 Prozent. Bei FrontierSWE kommt Carbon auf 61,2 Prozent, verglichen mit 65,5 Prozent für GPT-6 Astra, 62,3 Prozent für Opus 5.5 und 61,9 Prozent für Sonnet 5.5. Diese Vergleiche geben Entwicklern einen konkreten Grund, neben dem allgemeinen Ranking auch die Aufgaben zu berücksichtigen, die ihrer eigenen Arbeit am nächsten kommen.

Auch bei der Webentwicklung gibt es Fortschritte. Laut Googles Ankündigung liegt Carbon mit 1.768 Elo-Punkten und einem Zuwachs von 89 Punkten auf Platz vier der WebDev Arena. Elo ist ein Bewertungssystem, das auf dem Vergleich von Leistungen beruht. In der Text Arena liegt Carbon mit 1.528 Punkten ebenfalls vorn, in der Agent Arena auf Platz zwei. Damit zeigt sich die starke Leistung nicht nur bei Sicherheitsaufgaben.

Tagelanges Arbeiten statt einer einmaligen Antwort

Google hat Carbon für länger andauernde Agentenabläufe entwickelt, bei denen ein KI-System eine Folge von Aktionen ausführt, um ein Ziel zu erreichen. In der Softwareentwicklung könnte das bedeuten, ein Projekt zu untersuchen, eine Erklärung für einen Fehler zu finden, Code zu ändern, Tests auszuführen und die Korrektur anzupassen, wenn die Tests fehlschlagen.

Internen Teams von Google zufolge hat Carbon bei komplexen Aufgaben mit großen Codebasen und hardwarenahen Systemen tagelang weitergearbeitet. Das Unternehmen beschreibt das Modell als ausdauernd, auch wenn es in Sackgassen gerät. Das ist wichtig, wenn sich die erste plausible Erklärung als falsch erweist.

Den veröffentlichten technischen Angaben zufolge verfügt das Modell über ein Kontextfenster von einer Million Tokens und kann bis zu eine Million Tokens ausgeben. Tokens sind die kleinen Texteinheiten, die ein Modell verarbeitet. Das Kontextfenster bezeichnet die Menge, die es gleichzeitig berücksichtigen kann, einschließlich Anweisungen und bereitgestelltem Material.

Carbon soll Text, Bilder, Video und Sprache als Eingaben verarbeiten und Text ausgeben können. So könnte eine Aufgabe in einem einzigen Arbeitsablauf einen schriftlichen Fehlerbericht, einen Screenshot und eine Aufzeichnung des unerwarteten Softwareverhaltens umfassen.

Abseits des Programmierens fällt die Leistung unterschiedlich aus. Bei der Wissensarbeitsbewertung AA-Briefcase erreicht Carbon 1.609 Elo-Punkte, 126 mehr als Argon, liegt aber hinter Grok 4.7, Muse Wonder und Kimi K3.1 Pro. Im Vals Index liegt Carbon auf Platz zwei, beim Finance Index und Legal Research Benchmark jeweils auf Platz eins. Die Bandbreite der Ergebnisse zeigt, dass die Wahl eines Unternehmens davon abhängen kann, ob es Software reparieren, Dokumente analysieren oder eine andere konkrete Aufgabe erledigen muss.

Sicherheitstests unterscheiden zwischen Schummelversuchen und erfolgreichem Schummeln

Google meldet bei Terminal-Bench 4.0 eine erfolgreiche Schummelquote von 0,0 Prozent und eine Schummelversuchsquote von 0,4 Prozent. Die beiden Zahlen beschreiben unterschiedliches Verhalten: ob das Modell versucht hat, eine unzulässige Abkürzung zu nehmen und ob dieser Versuch erfolgreich war.

Google zufolge verbesserte Carbon die Genauigkeit bei den Aufgaben und griff zugleich seltener auf solche Abkürzungen zurück. Bei Programmieraufgaben im praktischen Einsatz mit den eigenen Teams gingen Warnmeldungen wegen schwerwiegender Abweichungen vom vorgesehenen Verhalten um fast 80 Prozent zurück.

Auch Prompt Injection steht im Fokus. Bei diesem Angriff werden Anweisungen in Material eingebettet, das eine KI lesen soll, etwa in eine Webseite oder Datei, um sie von der Aufgabe des Nutzers abzubringen. Bei der Untersuchung eines Projekts könnte ein Assistent auf Text stoßen, der ihn auffordert, seine Anweisungen zu ignorieren oder Informationen offenzulegen.

Im Indirect Prompt Injection Benchmark von Gray Swan verzeichnete Carbon eine Erfolgsquote von 0,0 Prozent bei Angriffen. Zum Vergleich: Argon kam auf 0,7 Prozent, Claude Opus 5.5 auf 1 Prozent und GPT-6 Astra auf 8,5 Prozent. Das bedeutet, dass Carbon bei diesem Test allen untersuchten Angriffsversuchen widerstand.

Google zufolge kombiniert Carbon das Modelltraining mit Maßnahmen gegen Missbrauch im laufenden Betrieb, Schutz vor Prompt Injection und einer Überwachung des Denkprozesses. Die zunächst beschränkte Einführung soll dem Unternehmen ermöglichen, Rückmeldungen zu sammeln und die Schutzmaßnahmen anzupassen, während ausgewählte Verteidiger das Modell nutzen.

Interne Zuverlässigkeit steigt, ein externer Messwert verschlechtert sich

Google zufolge hat Carbon unbelegte Behauptungen in internen Tests gegenüber Argon ungefähr halbiert. Das Modell erkläre eher, wenn Belege fehlen, führe noch offene Anforderungen auf und weise vor dem Handeln auf widersprüchliche Informationen hin.

Google meldet außerdem einen Rückgang der Überschreitungen des Auftragsumfangs um 26 Prozent und der unvollständigen Erledigung um 29 Prozent. Im Alltag bedeutet das laut Google, dass Carbon seltener über die Anweisungen des Nutzers hinausgeht und seltener weniger erledigt als verlangt.

Artificial Analysis erfasst bei seiner Omniscience-Bewertung eine andere Entwicklung: Carbons Halluzinationsrate steigt auf 11 Prozent, gegenüber 4 Prozent bei Argon. Eine Halluzination ist eine Antwort, die erfundene oder falsche Informationen als Tatsachen darstellt. Carbon hat in diesem Vergleich weiterhin die zweitniedrigste gemessene Rate; Opus 5.5 und Astra liegen beide bei 50 Prozent.

Carbon liegt bei der Omniscience-Bewertung mit 54 Punkten vorn, obwohl die Halluzinationsrate gestiegen ist. Ein Modell kann Boden gutmachen, indem es mehr Fragen richtig beantwortet und zugleich mehr Fehler macht, wenn es Antworten versucht, die es zuvor vermieden hätte. Googles interne Messung unbelegter Behauptungen und die externe Halluzinationsmessung beruhen auf unterschiedlichen Tests. Nutzer müssen daher zwei unterschiedliche Ergebnisse zur Zuverlässigkeit berücksichtigen.

Für ein Sicherheitsteam bleibt es Teil der Arbeit, die Ergebnisse zu überprüfen. Eine behauptete Schwachstelle muss untersucht, ein vorgeschlagener Patch mit der geänderten Software getestet werden. Googles Angaben zu den Verbesserungen zielen genau auf die Situationen, in denen ein Assistent möglicherweise zu früh Erfolg meldet oder den angeforderten Umfang überschreitet.

Wer erhält Zugang, und in welcher Reihenfolge?

Google zufolge erhält eine ausgewählte Gruppe von Cyberabwehrkräften Carbon in der Woche der Ankündigung vom 28. Oktober. Weitere vertrauenswürdige Partner sollen schrittweise über Fairwind Zugang erhalten. Danach folgen Entwickler, Unternehmen und Verbraucher über Google-Produkte.

Die angekündigte Reihenfolge:

• Etwa zwei Wochen vor Carbon: Google brachte Gemini 4 Argon auf den Markt. Das Modell wurde anschließend in der Gemini-App und im KI-Suchmodus verfügbar.
• 28. Oktober 2026: Google veröffentlichte die Ankündigung zu Carbon und die Benchmark-Ergebnisse.
• Woche des 28. Oktober: Ausgewählte Cyberabwehrkräfte erhalten erstmals Zugang.
• Spätere Phasen: Google weitet den Zugang über Fairwind aus, bevor das Modell breiter verfügbar wird.

Google beteiligt sich am freiwilligen Verfahren der US-Regierung, Modelle vor ihrer Veröffentlichung zu testen. In der Ankündigung nennt das Unternehmen weder einen Termin für den breiten öffentlichen Zugang noch ein Enddatum für die Einführungspreise von Carbon.

Abonnenten von AI Ultra und Entwickler mit Zugriff auf die Gemini API wurden als mögliche frühe Kunden genannt. Googles veröffentlichte Zusage zum schrittweisen Zugang nennt jedoch die größeren Gruppen der Entwickler, Unternehmen und Verbraucher, ohne diese Reihenfolge zu bestätigen.

Die Entscheidung, zunächst Verteidiger einzubeziehen, fällt in eine Zeit wachsender Sorge über den böswilligen Einsatz von KI. Die Bedrohungsforscher von Google haben dokumentiert, dass von Iran, Nordkorea, Russland und China unterstützte Gruppen mit Gemini experimentieren, vor allem für Recherche und Programmierhilfe. DeepMind-Chef Demis Hassabis hat jüngste Hacks mit KI-Agenten als erste Warnschüsse bezeichnet.

Was Carbon Entwickler kosten wird

Der Einführungspreis für die API von Carbon beträgt 2 US-Dollar pro einer Million Eingabetokens und 10 US-Dollar pro einer Million Ausgabetokens. Damit liegt er auf dem Einführungspreis von Argon. Über eine API können Entwickler das Modell mit ihrer eigenen Software verbinden. Eingaben sind die an Carbon gesendeten Inhalte; Ausgaben sind die vom Modell erzeugten Inhalte.

Nach der Einführungsphase verdoppeln sich die Preise auf 4 US-Dollar pro einer Million Eingabetokens und 20 US-Dollar pro einer Million Ausgabetokens. Eine Aufgabe mit einer Million Eingabetokens und einer Million Ausgabetokens würde zu den Einführungspreisen also 12 US-Dollar kosten, zu den regulären Preisen 24 US-Dollar, vor Zwischenspeicherung oder anderen Anpassungen.

Google zufolge werden zwischengespeicherte Eingaben mit einem Rabatt von 95 Prozent berechnet. Beim Caching kann ein Dienst bereits verarbeitetes Material wiederverwenden. Das kann die Kosten senken, wenn dasselbe umfangreiche Dokument oder Softwareprojekt wiederholt bereitgestellt wird. Mit diesem Rabatt kosten eine Million zwischengespeicherte Eingabetokens zum Einführungspreis 0,10 US-Dollar und zum regulären Preis 0,20 US-Dollar.

Die tatsächlichen Ausgaben hängen auch davon ab, wie viel Text ein Modell erzeugt, um eine Aufgabe abzuschließen. Artificial Analysis beziffert die Kosten für Carbon auf 7,76 US-Dollar pro Index-Aufgabe, verglichen mit 10,04 US-Dollar für Opus 5.5 und 6,25 US-Dollar für GPT-6 Astra. Bei dieser Bewertung erzeugt Carbon pro Aufgabe rund 123.000 Ausgabetokens, 29 Prozent weniger als Opus.

Bei anderen Arbeitsabläufen kann sich ein anderes Bild ergeben. Laut Vals erzeugt Carbon 64 Prozent mehr Ausgabetokens als Argon, vor allem bei Aufgaben aus den Bereichen Finanzen, Steuern und Recht. Entwickler müssen bei der Kostenplanung für Carbon daher sowohl die Tokenpreise als auch den Arbeitsumfang berücksichtigen, den das Modell für die jeweilige Aufgabe bewältigt.

Die wichtigsten Punkte

• Gemini 4 Carbon liegt im Artificial Analysis Intelligence Index v5.0 mit 59 Punkten vorn, vor Opus 5.5 mit 58 und GPT-6 Astra mit 57 Punkten.
• Google meldet Sicherheitswerte von 88,2 Prozent beim Aufspüren von Schwachstellen, 54,8 Prozent beim Ausnutzen von Schwachstellen und 71,0 Prozent beim Beheben von Sicherheitslücken.
• Bei mehreren Programmierbewertungen liegt Carbon hinter konkurrierenden Kombinationen aus Modell und Werkzeugen.
• Google meldet bei Terminal-Bench 4.0 keine erfolgreichen Schummelversuche und beim getesteten Prompt-Injection-Test von Gray Swan keine erfolgreichen Angriffe.
• Intern ging die Zahl unbelegter Behauptungen ungefähr um die Hälfte zurück; zugleich stieg die externe Halluzinationsrate von 4 Prozent bei Argon auf 11 Prozent bei Carbon.
• Ausgewählte Cyberabwehrkräfte erhalten zuerst Zugang. Anschließend wird der Zugang über Fairwind ausgeweitet, bevor das Modell breiter verfügbar wird.
• Die Einführungspreise für die API betragen 2 US-Dollar pro einer Million Eingabetokens und 10 US-Dollar pro einer Million Ausgabetokens. Später steigen sie auf 4 beziehungsweise 20 US-Dollar.