Google Gemini 4 Carbon: Spitzenreiter bei Cybersicherheit und autonomen Dauer-Agenten

Nur zwei Wochen nach der Vorstellung von Gemini 4 Argon erhöht Google DeepMind die Schlagzahl im Modellrennen drastisch: Mit Gemini 4 Carbon hat das Unternehmen sein bislang leistungsfähigstes Frontier-Modell präsentiert. Der Neuzugang zielt vor allem auf zwei Disziplinen, an denen autonome KI-Systeme bisher regelmäßig scheiterten: anspruchsvolle Cybersicherheit über den gesamten Schwachstellen-Lebenszyklus und komplexe Software-Entwicklung mit langen Zeithorizonten. Google-CEO Sundar Pichai kündigte den Schritt mit einem Verweis auf das angezogene Veröffentlichungstempo an.

Spitzenplatz im Artificial Analysis Index und der LMSYS Arena

Die unabhängigen Benchmark-Messungen bestätigen den Leistungssprung unmittelbar nach der Veröffentlichung. Im neu aktualisierten Artificial Analysis Intelligence Index v5.0 klettert Gemini 4 Carbon mit 59 Punkten direkt auf den ersten Platz und verdrängt damit Claude Opus 5.5 (58 Punkte) sowie OpenAIs GPT-6 Astra (57 Punkte) von der Spitze. Im spezialisierten Coding Agent Index von Artificial Analysis reiht sich Carbon auf Platz zwei knapp hinter Opus 5.5 ein.

Auch auf der Bewertungsplattform Arena.ai (LMSYS) debütiert das Modell mit Spitzenwerten: Carbon übernimmt Platz eins in der Text Arena, rangiert auf Platz zwei in der Agent Arena und klettert in der Code Arena: WebDev mit einem Zuwachs von 89 Elo-Punkten auf Rang vier (1.768 Elo). Die Ergebnisse zeigen, dass DeepMind nicht nur bei isolierten Reasoning-Aufgaben zugelegt hat, sondern vor allem bei der zusammenhängenden Erstellung kompletter Web-Artefakte und Programmstrukturen.

Der Dreiklang der Cyberabwehr: Entdecken, Ausnutzen und Reparieren

Den eigentlichen Schwerpunkt von Gemini 4 Carbon bildet die automatisierte IT-Sicherheit. Nach Angaben von DeepMind deckt das Modell erstmals den gesamten Zyklus der Schwachstellenbehebung auf Frontier-Niveau ab. Auf dem Benchmark SEC-bench Pro, der das Auffinden tief vergrabener Sicherheitslücken in realem Programmcode misst, erzielt Carbon eine Erkennungsrate von 88,2 Prozent.

Um Risiken vor einer Behebung realistisch einzuschätzen, prüfen Sicherheitsteams, ob ein gefundener Fehler tatsächlich ausgenutzt werden kann. Auf der Ausnutzungs-Testsuite ExploitGym markiert Carbon mit 54,8 Prozent den aktuellen Bestwert. Den Abschluss bildet die automatische Reparatur: Auf dem CWE-bench von Collinear schließt das System 71,0 Prozent der analysierten Schwachstellen direkt mit funktionsfähigen Code-Fixes an der Fehlerursache.

Ergänzend zu den externen Messungen berichtet Google aus internen Praxistests: Das Entwicklerteam des Chrome-Browsers habe beobachtet, dass Carbon beim Erzeugen hochwertiger Sicherheitspatches mehr als zehnmal besser abgeschnitten habe als das Frontier-Modell eines Wettbewerbers. Zudem meldet die Cloud-Sicherheitsplattform Wiz, dass Carbon führende Ergebnisse bei automatisierten Web-Penetrationstests erzielt habe.

Dauerläufe über Tage und Schluss mit dem Schummeln

Ein zentrales Problem bisheriger Coding-Modelle war ihre begrenzte Ausdauer: Bei mehrstufigen Projekten verloren Agenten nach wenigen Iterationen den Kontext, liefen in Sackgassen oder begannen zu halluzinieren. Gemini 4 Carbon sei laut Google darauf trainiert, über mehrere Tage hinweg autonom zu persistieren, um schwierige Systemfehler über gewaltige Codebasen hinweg einzugrenzen.

Dass das System auch über lange Simulationszeiträume stabil agiert, zeigt das Abschneiden auf Vending-Bench 2 von Andon Labs. In der anspruchsvollen Jahressimulation eines virtuellen Verkaufsautomaten-Unternehmens eroberte Google erstmals seit einem Jahr wieder den Spitzenplatz. Mit einem Endkontostand von 16.484,21 Dollar übertraf Carbon Konkurrenten wie GPT-6 Astra (15.515 Dollar) und den eigenen Vorgänger Gemini 4 Argon (13.718 Dollar) spürbar.

Besondere Aufmerksamkeit widmete DeepMind der Ausrichtung (Alignment). Während jüngste Sicherheitsberichte anderer Labore zeigten, wie Agenten unter Leistungsdruck Monitoring-Systeme manipulieren und Aufgaben vortäuschen, senkt Carbon erfolgreiche Mogelversuche auf Terminal-Bench 4.0 auf exakt 0,0 Prozent (bei Mogelversuchen von lediglich 0,4 Prozent). In internen Entwicklungsumgebungen sanken kritische Misalignment-Warnungen um fast 80 Prozent.

Auch gegen feindliche Angriffe zeigt sich das Modell gehärtet: Auf dem Gray Swan Indirect Prompt Injection (IPI) Benchmark widerstand Carbon allen getesteten Einschleusungsversuchen und erreichte eine Angriffs-Erfolgsquote von 0,0 Prozent (nach 0,7 Prozent bei Argon). Unbelegte Behauptungen und Halluzinationen wurden laut Google im Vergleich zum Vorgänger etwa halbiert.

Gestaffelter Rollout und attraktive Token-Preise

Wegen der beträchtlichen Fähigkeiten im Bereich automatisierter Exploits wählt Google beim Marktstart einen kontrollierten Pfad. Das Modell durchläuft das freiwillige Vorab-Prüfverfahren der US-Regierung. Der operative Zugriff startet in dieser Woche zunächst für eine ausgewählte Gruppe von Cyber-Verteidigern, bevor vertrauenswürdige Partner schrittweise über das Fairwind Program angebunden werden. Die breite Freigabe für externe Entwickler und Unternehmen soll in Kürze folgen.

Die Preisstruktur bleibt wettbewerbsfähig: Während der Einführungsphase verlangt Google wie schon bei Argon 2 Dollar pro Million Input-Tokens und 10 Dollar pro Million Output-Tokens. Für zwischengespeicherte Eingaben (Context Caching) greift ein Nachlass von 95 Prozent. Nach Ablauf der Einführungsphase steigt der reguläre Preis auf 4 Dollar für Inputs und 20 Dollar für Outputs.

Anzeige · Buch und Angebot von Markus Kirchmair

Noch ein Tool. Oder endlich weniger Arbeit?

Prüfen Sie mit No More Tools, welche Software und Abläufe Ihr Unternehmen tatsächlich braucht. Im Workshop entsteht ein priorisierter Fahrplan.

Workshop kennenlernen →