Google ist zurück im KI-Wettlauf: Was die Benchmark-Ergebnisse von Gemini 4 Argon wirklich aussagen
Gemini 4 Argon führt bei 13 von 18 Benchmarks, bietet einen Kontext von 1 Million Token und unterbietet die Konkurrenz preislich. Hier erfahren Sie, wo es punktet, wo es noch Nachholbedarf gibt und was sich dadurch ändert.
Am 13. Oktober 2026 stellte Google DeepMind „Gemini 4 Argon“ weltweit zur Verfügung: das erste Modell der Gemini-4-Generation und das erste Mal seit längerer Zeit, dass Google in eine Benchmark-Tabelle eingestiegen ist und die meisten Spitzenplätze belegt hat. Seit dem 30. September war es in einer begrenzten Version verfügbar, als eine kleine Gruppe ausgewählter Cybersicherheitsteams frühen Zugriff erhielt. Nun ist es in der Gemini-API, im AI Studio, in der Gemini-App und in Googles Entwicklungsumgebung „Antigravity“ verfügbar.
Die Frage, die sich jeder zu einem neuen Frontier-Modell stellt, ist einfach: Ist es tatsächlich besser, oder schneidet es nur bei den vom Hersteller ausgewählten Benchmarks besser ab? Im Folgenden finden Sie die von Google veröffentlichten Angaben, ergänzende Informationen aus unabhängigen Berichten sowie die Bereiche, in denen Argon nach wie vor den Kürzeren zieht.
Was ist Argon?
Google beschreibt Argon als einen großen, spärlichen „Mixture-of-Experts“-Transformer, der von Haus aus multimodal ist und ausdrücklich keine Feinabstimmung eines früheren Gemini darstellt. Er wurde unter intensiver Nutzung von bestärkendem Lernen trainiert, und seine wichtigste technische Neuerung ist ein einziges Kontextfenster mit einer Größe von 1 Million Token, das für Eingabe, Denkprozess und Ausgabe gemeinsam genutzt wird. Allein die Ausgabe kann bis zu einer Million Token umfassen – eine Steigerung gegenüber der Obergrenze von 64.000 Token der Vorgängergeneration. Einfach ausgedrückt: Er kann eine gesamte Codebasis lesen, lange Zeit logisch argumentieren und eine sehr lange Antwort verfassen – und das alles innerhalb eines einzigen Aufrufs.
Der Wissensstand entspricht dem Stand von März 2026, und in Googles eigener Modellbeschreibung werden die üblichen Einschränkungen, darunter auch Halluzinationen, erwähnt.
Die Zahlen im Vergleich
In der Modellübersicht von Google wird Argon anhand von 18 Benchmarks mit GPT-6 Astra von OpenAI und Claude Opus 5.5 von Anthropic verglichen. Bei 13 davon liegt Argon an der Spitze oder gleichauf. Dies sind die von Google hervorgehobenen Ergebnisse, wobei die Punktzahlen genau so wiedergegeben sind, wie sie veröffentlicht wurden:
| Kategorie | Benchmark | Gemini 4 Argon | GPT-6 Astra | Claude Opus 5.5 |
|---|---|---|---|---|
| Wissensarbeit | Vals-Index | 68,9 % | 63,1 % | 67,0 % |
| Wissensarbeit | AutomationBench | 51,3 % | 41,4 % | 42,5 % |
| Wissensarbeit | Vals Finance Agent v2 | 65,4 % | 53,5 % | 58,6 % |
| Wissensarbeit | Harveys Rechtsvertreter | 19,6 % | 5,4 % | 3,8 % |
| Agentische Kodierung | DeepSWE v1.1 | 77,9 % | 74,1 % | 74,2 % |
| Agentische Kodierung | Vibe Code Bank | 91,9 % | 89,6 % | 90,3 % |
| Naturwissenschaften / Mathematik | LABBench 2 | 88,8 % | 85,4 % | 73,1 % |
| Naturwissenschaften / Mathematik | RiemannBench | 76,0 % | 72,0 % | 69,6 % |
| Langer Kontext | GraphWalks (256k–1M) | 84,2 % | 71,8 % | 66,8 % |
| Multimodal | LVBench (langes Video) | 91,7 % | 87,5 % | 83,7 % |
| Cybersicherheit | CWE-Bench v1 | 68,0 % | 68,0 % | 67,0 % |
Wo Argon klar die Nase vorn hat
Drei Ergebnisse stechen besonders hervor. Beim „Harvey’s Legal Agent“-Benchmark, einem Test, der echte juristische Arbeit statt Trivialitäten bewertet, erreicht Argon 19,6 % gegenüber 5,4 % und 3,8 % bei seinen Konkurrenten. Das ist eine ganz andere Liga, kein geringer Vorsprung. Bei „GraphWalks“, das das logische Schlussfolgern anhand von Material testet, das sich über Hunderttausende von Tokens erstreckt, sind Argons 84,2 % gegenüber 71,8 % und 66,8 % der deutlichste Beweis dafür, dass der einheitliche Kontext aus einer Million Tokens echte Arbeit leistet. Und bei „AutomationBench“, einem Test für mehrstufige Geschäftsprozesse, liegt Argon etwa zehn Punkte vor beiden Konkurrenten.
Im Bereich der agentischen Codierung, dem Feld, in dem Google am meisten gewinnen möchte, ist der Vorsprung zwar real, aber knapp: 77,9 % bei DeepSWE v1.1 gegenüber 74,1 % und 74,2 %. Google berichtet zudem über interne Ergebnisse, darunter die Ersetzung von 32.000 Zeilen handgeschriebenem SIMD-Code in seinem libgav1-Videodecoder durch eine speichersichere Version, die 2,7-mal schneller läuft.
Wo es noch hinterherhinkt
Google selbst formuliert es so, dass Argon „keinen klaren Sieg braucht“ – eine ehrliche Art zu sagen, dass es keinen erzielt hat. Bei FrontierSWE v2 erreicht Argon 55,0 % gegenüber 65,5 % von GPT-6 Astra. Bei „Terminal-Bench Science“ liegt es mit 57,6 % hinter Astra (68,1 %), und bei „Terminal-Bench 4.0“ hinter Claude Opus 5.5 (57,4 % gegenüber 66,4 %). Auf PostTrainBench führt Opus 5.5 mit 49,3 % zu 45,3 %. Das Muster ist konsistent: Je länger und je terminalintensiver die technische Aufgabe ist, desto deutlicher behalten die beiden anderen ihren Vorsprung.
Die ehrliche Zusammenfassung lautet also nicht „Google gewinnt“. Sie lautet vielmehr: Argon ist derzeit das beste Modell für lange Dokumente, Rechts- und Finanzangelegenheiten sowie Automatisierungsaufgaben, kann bei alltäglichen Programmieraufgaben mithalten, hinkt jedoch bei den schwierigsten praktischen Softwareaufgaben noch hinterher.
Argon benötigt keine vollständige Bereinigung. Die Modellauswahl hängt weiterhin von der Arbeitslast ab.
— Google DeepMind zum Start der „Gemini 4 Argon“
Preis: Der Faktor, der den Markt bewegen wird
Die Einführungspreise liegen bei 2 US-Dollar pro Million Eingabetoken und 10 US-Dollar pro Million Ausgabetoken, wobei zwischengespeicherte Eingaben mit 0,10 US-Dollar berechnet werden. Das entspricht einem Fünftel des Listenpreises von GPT-6 Astra (10 US-Dollar / 50 US-Dollar) und der Hälfte des Preises von Claude Opus 5.5 (4 US-Dollar / 20 US-Dollar). Google hat angekündigt, dass sich der Preis nach dem 30. November auf 4 $ bzw. 20 $ verdoppeln wird, womit er weiterhin auf dem Niveau von Opus und deutlich unter dem von Astra liegt.
Für alle, die Agenten in großem Maßstab einsetzen, ist diese Preisgestaltung wichtiger als ein Vorsprung von zwei Punkten im Benchmark. Ein Modell, das ungefähr genauso gut und fünfmal günstiger ist, verändert die Frage, welche Workloads sich überhaupt wirtschaftlich automatisieren lassen.
Ist Google wieder im Rennen?
Ja, und zum ersten Mal seit der Ära von Gemini 2.5 ist es wieder Marktführer und nicht mehr nur ein schneller Nachahmer. Dreizehn von achtzehn Spitzenpositionen, ein Kontextfenster, das niemand sonst erreicht, und eine aggressive Preispolitik machen Argon zur ersten Wahl für einen großen Teil der Unternehmensanwendungen. Für anspruchsvolle Softwareentwicklung ist es jedoch nicht die automatische Wahl, da OpenAI und Anthropic hier nach wie vor die höchsten Maßstäbe setzen.
Unsere Vorgehensweise bei Alokknight Technologies bleibt von einzelnen Produktveröffentlichungen unberührt: Wir weisen jede Aufgabe dem Modell zu, das sie nachweislich am besten und kostengünstigsten erledigt, und führen diesen Vergleich erneut durch, wenn eine solche Version erscheint. Argon hat gerade einen Großteil der Aufgaben in den Bereichen Dokumentation, Recht, Finanzen und Automatisierung auf die Google-Seite dieser Tabelle verlagert.