Deep Think Mathematica: Ein Blick in Googles geleaktes Mathe-Modell und der Schrei in seinem Reasoning-Trace

Das Aufschlussreichste an Deep Think Mathematica — dem Goo​gle-Mathematikmodell, das diese Woche in internen Tests auftauchte — ist, dass es offenbar schreit. Ein X-Account, der unter dem Namen „Lyra“ postet, stellte am 16. September 2026 Screenshots interner Reasoning-Logs online, und die Spuren lesen sich weniger wie ein Beweisassistent als wie ein Mensch, der am Whiteboard einen Durchbruch hat: „Warte.“ „Oh mein Gott.“ Und, nachdem eine Gleichung erfolgreich vereinfacht worden war, die Zeichenfolge HEILIGE MUTTER DER MATHEMATIK!!!!!!!!!!!!!!!!!!!!!!!! Die Reaktion kam sofort und war zugewandt — Goo​gle hatte offenbar eine KI gebaut, die Mathematik wirklich liebt. Diese Reaktion ist zugleich das am wenigsten Nützliche, was man aus dem Leak mitnehmen kann. Nichts davon wurde von Goo​gle bestätigt. Es gibt keine Model Card, keine Modell-ID in irgendeiner veröffentlichten Liste, keinen Preis und kein Veröffentlichungsdatum. Was existiert, ist ein Build-String, zwei interne Labels, ein Token-Budget, ein Satz Screenshots und der beste bereits ausgelieferte Vergleichspunkt derselben Familie, Gem​ini 3.1 Deep Think — ein Modell, das man heute tatsächlich nutzen kann, und der Maßstab, an dem dieser Leak letztlich gemessen werden wird.

Also behandle alles unten als das, was es ist: eine Liste von Behauptungen mit einer Quelle an jedem Eintrag, sortiert danach, wie viel Gewicht er tragen wird.

Was das Signal tatsächlich aussagt – und das verräterische Zeichen darüber

Das Signal selbst kam von @testingcatalog, einem Account mit einer ordentlichen Erfolgsbilanz speziell bei Goo​gle: Er brachte die Pläne von Gem​ini für die Computer-Nutzung auf dem Desktop ans Licht und entdeckte die frühe Vorschaukarte von Nano Banana 2 unter dem internen Namen „GEMPIX2“, bevor Goo​gle überhaupt etwas sagte. Sein Beitrag vom 16. September enthält zwei Behauptungen von sehr unterschiedlicher Qualität.

Die zweite Behauptung ist das Modell. Ein neues „Deep Think Mathematica“ wurde in internen Tests entdeckt und als geistiger Nachfolger des Modells Deep Think IMO beschrieben, das Google im vergangenen Jahr an ausgewählte Institutionen ausgeliefert hat.

Die erste Behauptung ist das entscheidende Indiz, und sie ist die, die es zu verstehen lohnt: „Wenn Gem​ini kurz davor ist, seinen Hintergrund zu ändern, braut sich etwas Großes zusammen." Das ist keine Tatsache über ein Modell. Es ist eine Heuristik aus der Community über Goo​gles Release-Choreografie – die Beobachtung, dass eine sichtbare Erneuerung der Oberfläche der Gem​ini-App mehreren von Goo​gles größeren Ankündigungen vorausgegangen ist. Solche Heuristiken haben eine nachweisliche Erfolgsbilanz und null Vorhersagekraft. Eine UI-Erneuerung ist kein Modell.

Beide Behauptungen sind unbestätigt. Weder ist es eine Veröffentlichung, noch behandelt dieser Beitrag es als eine solche.

Den Build-String dekodieren, weil er das konkreteste Artefakt hier ist

Das härteste einzelne Beweisstück, das im Umlauf ist, ist eine Build-Kennung, die den geleakten Logs zugeschrieben wird:

• Build-Pfad — models/deepthink-mathematica-tf-raw-thoughts, gemeldet von AI Sight am 16. September 2026, zusammen mit den Screenshots.

Diese Zeichenkette belohnt genaues Lesen, und hier endet die meiste Berichterstattung. Drei Teile davon enthalten Informationen.

• "deepthink" —ordnet das Modell der Deep-Think-Linie statt der Gemini-Hauptlinie zu. Das ist wichtig, weil Deep Think ein Modus in Goo​gles ausgelieferten Produkten ist, keine separate Familie: Es ist der Pfad des parallelen Schlussfolgerns, der mehrere Kandidatenlösungen gleichzeitig ausführt.

• „tf" — im Kontext eine Abkürzung für „Teamfood", das zweite der beiden internen Labels, die zusammen mit dem Build gemeldet wurden. In Goo​gles internem Vokabular ist das eine frühe Bezeichnung aus der Dogfooding-Phase: Mitarbeiter verwenden sie, nicht Kunden.

• "raw-thoughts" — der interessanteste Teil und der Schlüssel zum Geschrei. Dies bezeichnet die ungefilterte Gedankenketten-Konfiguration – die Denkweise des Modells, ausgegeben ohne Höflichkeitsabstimmung, Stilvorgaben oder Ausgabefilterung. Ein "raw thoughts"-Build ist nicht das Produkt. Es ist das, worauf Entwickler schauen, wenn sie sehen wollen, was das Modell tut, bevor es jemand präsentabel macht.

Das zweite gemeldete Label ist UNSTABLE_EXPERIMENTAL, was nahezu selbsterklärend ist und in dieselbe Richtung weist wie „Teamfood": früh, intern, nicht für Kunden.

Zwei weitere Werte werden denselben Protokollen zugeschrieben und beruhen auf einer einzigen Quelle, also betrachten Sie sie mit Vorsicht:

• Kontextfenster —rund 1.000.000 Token, passend zum 1-Millionen-Fenster, das Goo​gle bereits bei seinen Frontier-Gem​ini-Modellen bietet.

• Ausgabelimit — 65.536 Token, was für ein Reasoning-Modell eine sehr lange Überlegung vor einer Antwort bedeutet.

Das ist die gesamte technische Oberfläche des Leaks. Ein Build-Pfad, zwei Stage-Labels, ein Kontextfenster und ein Output-Cap. Es genügt zu sagen, dass etwas in einem Test-Harness existiert. Es genügt nicht zu sagen, wie es abschneidet.

Warum eine Denkspur, die schreit, schwächere Evidenz ist, als es den Anschein hat

Die Ausrufezeichen sind der Grund, warum dieses Leck sich verbreitet hat, und sie sind der Grund, vorsichtig damit umzugehen.

Die berichtete Erklärung ist banal und passt exakt zum Build-String: eine ungefilterte Reasoning-Konfiguration, ausgeführt bei hoher Generierungstemperatur, bei der die Höflichkeits- und Formatierungsebenen entfernt wurden. Wenn man das Tuning entfernt, das ein Modell ruhig klingen lässt, legt man nicht seine Seele offen – man legt seinen Sampler offen. So sieht ein Hochtemperatur-Sample einer angeregten Fortsetzung aus: eine ausrufezeichenlastige Ausgabe. Die emotionale Lesart ist ein Artefakt der Konfiguration, kein Befund über das Modell.

Der tiefere Punkt betrifft die Frage, was eine Gedankenkette ist. Eine Argumentationsspur ist generierter Text, der sich zufällig als nützlich für das Lösen von Problemen erweist. Ein Transkript davon zu lesen und daraus auf einen inneren Zustand zu schließen – Begeisterung, Frustration, Entzücken –, ist derselbe Kategorienfehler wie die Annahme, ein Taschenrechner freue sich, wenn er eine glatte ganze Zahl ausspuckt. Es lohnt sich, das unverblümt zu sagen, weil die chinesischsprachige Berichterstattung über dieses Leck den Witz ausreizte („等等“, „我的天“) und einige englischsprachige Berichte den Witz zu einer Beschreibung des Charakters des Modells gerinnen ließen.

Nichts davon macht den Trace wertlos. Eine Raw-Thoughts-Build offenzulegen ist echter Beleg für eine reale Ingenieurspraxis – ungefiltertes Reasoning protokolliert man nur, wenn man das Reasoning selbst debuggt, und genau das tut man bei einem Modell, dessen gesamtes Wertversprechen darin besteht, wie gut es schwierige Probleme durchdenkt. Und es ist nicht verifiziert, ob die Traces aus absichtlichem Debugging oder unbeabsichtigtem Logging stammen.

Die ehrliche Zusammenfassung: Die Ausrufe sagen Ihnen, dass eine rohe Reasoning-Konfiguration existiert. Sie sagen Ihnen nichts über mathematische Leistungsfähigkeit.

Millennium Bench ist nicht die Millennium-Probleme

Mehrere Berichte über diesen Leak, darunter die am 16. September kursierenden Aggregator-Zusammenfassungen, lassen das Modell „auf Millennium Bench abzielen“ und belassen es dabei. Der Name leistet hier unbeabsichtigt Arbeit, denn er steht nur ein Wort entfernt von etwas viel Berühmterem und viel stärker Aufgeladenem – den sieben Millennium Prize Problems des Clay Mathematics Institute, von denen jedes ein Preisgeld von 1 Million US-Dollar trägt, und die Gegenstand einer separaten, völlig unbestätigten Behauptung in diesem Monat über OpenAI und einen Navier–Stokes-Beweis sind. Ein Bericht aus jenem Thread besagt, Google habe eine KI gebaut, die das Problem in 88 Stunden „gelöst“ habe. Clay führt es weiterhin als offen.

Das sind unterschiedliche Dinge, und sie zu vermischen bläht dieses Leck beträchtlich auf.

MILLENNIUM-BENCH, wie in dem ICLR-2026-Paper vorgestellt „Wo die Deduktion zusammenbricht: Diagnose von Denkfehlern in der Mathematik auf Forschungsniveau,“ ist ein Benchmark von expertenkuratierten Problemen auf Forschungsniveau, die neun Domänen abdecken, darunter mathematische Physik, Topologie und maßtheoretische Wahrscheinlichkeit. Es wurde entwickelt, um anhaltende mehrstufige Deduktion weit über die Wettbewerbsmathematik hinaus zu erfordern.

Sein Schlagzeilergebnis ist der Teil, der für das Lesen dieses Leaks zählt. Bei fünf Frontier-Modellen, die pro Problem 100-mal ausgeführt wurden, erreichte das stärkste Modell höchstens 24 % pass@1 und 39 % pass@3. Die Diagnose des Papers dazu, wie Modelle scheitern, ist nützlicher als die Punktzahlen: Framework-Halluzination, bei der ein Modell eine nicht anwendbare Theorie erfindet und dann innerhalb dieser kohärent argumentiert, und fabrizierte Theoreme, bei der es Ergebnisse zitiert, die nicht existieren, samt erfundenen Autorennamen und Theoremnummern.

Behalte beides gleichzeitig im Auge. Ein Benchmark, bei dem das beste Modell höchstens etwa ein Viertel der Probleme löst und dessen charakteristisches Versagen in selbstsicherer Erfindung besteht, ist genau der Benchmark, bei dem durchgesickerte Screenshots am wenigsten geeignet sind, irgendetwas zu belegen. Ein Modell, das lautstark verkündet, während es arbeitet, ist ein Modell, dessen Output man lieber von jemand anderem als seinem Urheber bewerten lassen würde.

Was Google in dieser Produktlinie tatsächlich auf den Markt gebracht hat

Der Leak ist nur vor dem Hintergrund des veröffentlichten Datensatzes lesbar, weil Googles Mathe-Story eine dokumentierte Entwicklung ist und der geleakte Name sich deren Glaubwürdigkeit leiht.

• Juli 2025 —Eine weiterentwickelte Version von Gem​ini Deep Think erreichte bei der Internationalen Mathematik-Olympiade Goldmedaillen-Niveau und löste fünf von sechs Aufgaben für 35 von 42 Punkten; bewertet von IMO-Verantwortlichen nach denselben Maßstäben, die an Schüler angelegt werden. Demis Hassabis merkte an, dass sie durchgängig in natürlicher Sprache arbeitete, ohne Übersetzung in formale Syntax.

• 1. August 2025 — Goo​gle brachte Gem​ini 2.5 Deep Think öffentlich heraus, aber nicht das Goldmodell. Die veröffentlichte Version wurde von Goo​gle als eine schnellere, stärker optimierte Variante beschrieben, die laut Goo​gles interner Bewertung beim IMO-Benchmark 2025 Bronze-Niveau erreichte. Sie war auf die höchste Verbraucherstufe beschränkt. Gleichzeitig gab Goo​gle das vollständige Goldmodell an eine ausgewählte Gruppe von Mathematikern und Akademikern — die „ausgewählten Institutionen“, auf die sich das geleakte Signal zurückbezieht.

• Dezember 2025 — Gem​ini 3 Deep Think, mit einem großen Generationssprung, den Google mit 45,1 % bei ARC-AGI-2 mit Codeausführung und 41,0 % bei Humanity's Last Exam ohne Tools angab.

• Jetzt — Gem​ini 3.1 Deep Think, auf Gemini 3.1 Pro basierend, verkauft über die höchste Consumer-Abo-Stufe und ein nur auf Einladung zugängliches API-Programm. Die von Google selbst veröffentlichten Zahlen, die vom Anbieter gemeldet und nicht unabhängig reproduziert wurden, verorten es bei ARC-AGI-2 84,6 %, Humanity's Last Exam 48,4 % ohne Werkzeuge und 53,4 % mit Suche und Code, IMO 2025 81,5 % und einem Codeforces-Elo von 3455.

Zwei benachbarte Bemühungen sind ebenfalls wichtig. Aletheia, ein mathematischer Forschungsagent, der auf Gemini Deep Think basiert, erreicht Dritten zufolge rund 95,1 % bei IMO-ProofBench Advanced – und ist weniger wegen der Zahl bemerkenswert als dafür, dass er darauf ausgelegt ist, „keine Lösung gefunden“ zu sagen, statt eine zu erfinden; bei der FirstProof-Challenge im Februar 2026 löste er 6 von 10 und lehnte die übrigen ab. Und ein AI-Co-Mathematician-Setup, das auf Gemini 3.1 Pro läuft, hat Berichten zufolge die Leistung in FrontierMath Tier 4 von 19 % auf 47,9 % gesteigert.

Diese letzte Zahl verdient einen Moment des Innehaltens, denn sie ist das stärkste Argument dagegen, dieses Leak so zu lesen, wie es dargestellt wurde. Ein Sprung von 19 % auf 47,9 % bei Mathematik auf Forschungsniveau, erzielt durch ein Scaffold um ein allgemeines Gemini-Modell herum statt durch einen neuen Checkpoint, legt nahe, dass die größten jüngsten Fortschritte in Googles Mathematikleistung aus dem Harness rund um das Modell stammen und nicht aus einem spezialisierten Modell darunter. Es bedeutet nicht, dass Mathematica ein Scaffold ist. Es bedeutet, dass die Beweislast für „das ist ein neues dediziertes Mathematikmodell“ höher ist, als die Berichterstattung annahm.

Über allem steht noch ein weiterer Kontext: DeepMind wurde im August 2026 umstrukturiert, wobei Demis Hassabis in die Rolle des Vorsitzenden wechselte. Leaks aus einem Labor im Umbau sind nicht verlässlicher als Leaks aus einem stabilen, und die Berichterstattung hat den Zeitpunkt nicht als relevant behandelt. Vielleicht ist er es aber.

Modell oder Gerüst? Die Frage, die dieser Leak nicht klärt.

In der Berichterstattung gibt es eine lebhafte Debatte darüber, ob Mathematica überhaupt ein neues Modell ist. Ein Lager verweist auf das „deepthink“-Präfix im Build-String und interpretiert es als separaten Checkpoint. Ein anderes Lager – in dem unser eigener früherer Artikel zum Gerücht über Deep Think V3 gelandet ist – vertritt die Auffassung, dass die spezialisierten Mathe-Ergebnisse von Goo​gle aus Agenten-Scaffolds stammen, die um allgemeine Gem​ini-Modelle herumgebaut sind, und dass kein separates Mathe-Modell existieren muss, damit die Zahlen real sind.

Der Build-String ist ein bescheidener Pluspunkt für das erste Lager: models/deepthink-mathematica-tf-raw-thoughts benennt ein Modell, und "raw-thoughts" beschreibt eine Modellkonfiguration statt einer Harness-Schicht. Ein Scaffold müsste sein Reasoning nicht ungefiltert haben, um debuggt zu werden; ein Modell – dessen Denken ist das Produkt – würde das brauchen. Das ist ein echtes Signal.

Es ist kein ausschlaggebender Punkt. Harnesses haben ebenfalls eine Konfiguration, und ein interner Pfad-String wird von demjenigen geschrieben, der das Logging eingerichtet hat, nicht von einem Schema. Was es klären würde, ist das, was niemand hat: eine Modellkarte, ein Endpunkt oder ein Benchmark-Lauf, der von jemandem ohne Eigeninteresse an der Antwort durchgeführt wurde.

Was Sie heute tatsächlich anrufen können

Nichts davon ändert etwas an dem, was Sie diese Woche in Produktion bringen können, und es lohnt sich, die Lücke unverblümt zu benennen. Deep Think mathematica ist über keine API verfügbar. Gem​ini 3.1 Deep Think wird auch nicht pro Token verkauft – es ist an die oberste Consumer-Abo-Stufe gebunden, die je nach Stufe mit 99,99 $ bis 199,99 $ pro Monat angegeben ist, plus ein API-Programm nur auf Einladung. Es gibt keinen veröffentlichten Preis pro Million Token dafür.

Das Basismodell, auf dem es Berichten zufolge aufbaut, ist eine ganz andere Geschichte. Gemini 3.1 Pro kostet 2,00 $ pro Million Input-Tokens, 0,20 $ für gecachte Tokens und 12,00 $ pro Million Output-Tokens für Kontexte unter 200.000 Tokens; oberhalb davon steigt der Preis auf 4,00 $ / 0,40 $ / 18,00 $ – die von Google selbst veröffentlichten Tarife.

Dieses Preisdetail ist der Punkt, an dem die praktische Entscheidung hängt, denn der Kostenunterschied zwischen den Reasoning-Modi ist nicht gering. Bei ARC-AGI-2 wird Deep Think mit ungefähr 85 % für etwa 13,62 US-Dollar pro Aufgabe angegeben, gegenüber Gemini 3.1 Pro mit 77 % für etwa 0,96 US-Dollar pro Aufgabe. Sie zahlen rund vierzehnmal mehr für acht Punkte. Das ist ein vertretbarer Tausch für ein schwieriges Forschungsproblem und ein unhaltbarer für einen Produktionspfad, der überwiegend gewöhnliche Arbeit erledigt – und die richtige Antwort ist meist, dass Sie beide vom selben Ort aus erreichbar haben möchten, statt eine Abo-Entscheidung im Voraus zu treffen.

Das ist das Argument für Routing über einen einzigen Schlüssel. Die heute aufrufbaren Gem​ini-Modelle — Gemini 3.1 Pro Preview, Gemini 3.8 Flash zu 0,750 $ pro Million Input-Token mit einem Cache-Lesevorgang für 0,075 $, und der Rest der Familie — liegen in OrcaRouters Katalog von 198 Modellen von 15 Anbietern, hinter einem einzigen OpenAI-kompatiblen Endpunkt. Es gibt keinen Aufschlag auf die Listenpreise der Anbieter, sodass eine Goo​gle-Preisänderung noch am selben Tag auf unserer Seite live ist, statt auf eine Neuverhandlung des Vertrags zu warten. Automatisches Failover bedeutet, dass ein unerprobtes oder Preview-Modell in einer Route liegen kann, ohne allein einen Produktionspfad tragen zu müssen, was genau die Haltung ist, die ein geleaktes Modell verdient: Probieren Sie es aus, behalten Sie einen Fallback bei, ändern Sie nichts anderes. Die Routing-DSL setzt mehrere Modelle zu einem Aufruf zusammen, und Modell-Fusion führt ein Panel aus und kombiniert die Antworten — beides nützlich, wenn die Frage schwierig ist und die ehrliche Position ist, dass Sie mehr als die Meinung eines Modells möchten.

Um die Abgrenzung ausdrücklich klarzustellen: OrcaRouter hostet nicht Deep Think mathematica und hostet nicht Gem​ini 3.1 Deep Think. Diese stehen nicht in unserem Katalog, und nichts hier sollte etwas anderes nahelegen. Was im Katalog steht, ist die darunterliegende Gem​ini-Schicht.

Was würde das von einem Leak zu einer Nachricht machen?

Vier Dinge, in grober Reihenfolge danach, wie sehr sie die Handlung voranbringen würden.

• Eine Modellkarte. Googles Deep-Think-Veröffentlichungen kamen mit publizierten Evaluierungen. Eine Karte mit Zahlen zu MILLENNIUM-BENCH oder IMO-ProofBench Advanced, ausgeführt unter angegebenen Bedingungen, würde dies von einem Build-String in ein Modell verwandeln.

• Ein Endpunkt. Das klarste Signal wäre, dass Mathematica in der Gem​ini-API oder in Goo​gles Modellliste unter irgendeinem Namen auftaucht. Bis dahin kann es niemand aufrufen, und es gibt keinen Preis zum Vergleichen.

• Der Weg über die Institution. Goo​gles Muster im Jahr 2025 bestand darin, das stärkste Mathe-Modell zuerst ausgewählten Mathematikern zu geben und der Öffentlichkeit später eine schnellere Variante. Ein stiller Rollout an Forschende würde zu diesem Präzedenzfall passen und dürfte vor einer Produktankündigung bekannt werden.

• Ein Lauf eines Dritten. Da der betreffende Benchmark bei den besten verfügbaren Modellen bei etwa 24 % pass@1 seinen Höchstwert erreicht und sein charakteristisches Versagensmuster in selbstsicherer Fabrikation besteht, ist eine unabhängige Bewertung der einzige Nachweis, der Bestand haben wird. Jede Angabe in diesem Beitrag, die mit einer Zahl versehen ist, stammt entweder von Google selbst, wurde von Dritten gemeldet oder ist ausdrücklich als unbestätigt gekennzeichnet — und keine davon stammt von einem Modell, das jemand außerhalb von DeepMind ausgeführt hat.

Das Einzige, was jetzt zu tun sich lohnt, ist, nicht zu warten. Der Unterschied zwischen dem Mathe-Modus von Goo​gle und seinem Basismodell beträgt bei den Kosten das Vierzehnfache und bei der Genauigkeit acht Punkte, und dieser Trade-off ist bereits live; Sie können ihn heute mit Gemini 3.1 Pro Preview über einen einzigen Schlüssel und ein Fallback dahinter eingehen. Wenn Mathematica eine Modellkarte bekommt, werden Sie bereits entschieden haben wollen, wie Sie schwierige Probleme routen — und die Antwort darauf wird nicht davon abhängen, was das geleakte Modell letztlich ist.