
Gemini 4 Carbon ging ins Labor. Googles eigener Bericht schreibt Gemini 4 Argon dreizehn Mal die Leistung zu
- GoogleNEUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 pro 1 Mio. Tokens · 90 tok/s
- AnthropicNEUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 pro 1 Mio. Tokens · 97 tok/s
- orcaNEUOrca: OrcaC2 1.02026-11-0711 tok/s
- OrcaNEUOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 pro 1 Mio. Tokens · 89 tok/s
- OrcaNEUOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 pro 1 Mio. Tokens · 131 tok/s
- OrcaNEUOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 pro 1 Mio. Tokens · 85 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 pro 1 Mio. Tokens · 127 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 pro 1 Mio. Tokens · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 pro 1 Mio. Tokens · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 pro 1 Mio. Tokens · 45 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligenz
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 pro 1 Mio. Tokens · 194 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligenz
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 pro 1 Mio. Tokens · 136 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligenz
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligenz
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 pro 1 Mio. Tokens · 123 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Intelligenz
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Intelligenz
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 pro 1 Mio. Tokens · 182 tok/s
Fünfzig Millionen Zeilen Lean 4. So viel war nötig, um einen Beweis der Courtade–Kumar-Vermutung maschinell zu prüfen, eines Ergebnisses aus dem Jahr 2013 in der Informationstheorie darüber, wie viel von einer verrauschten Bitfolge die Kompression übersteht, und es ist das größte einzelne Artefakt in dem Forschungsbericht, der am 13. November 2026 unter dem Titel „Wissenschaft & Technik voranbringen mit Antigravity's /teamwork“ veröffentlicht wurde. Der Beitrag ist die Quelle der Behauptung, die jetzt kursiert, dass Forschende Gemini 4 Carbon für mehrstufige Probleme in Physik, Mathematik und den Lebenswissenschaften einsetzen. Carbon kommt in dem Beitrag vor. Der Name wird genau einmal genannt, in einer Liste von drei Modellen ganz oben. Jede einzelne der darunter aufgeführten Fallstudien — die Vermutung, die formalisierten Weil-Vermutungen, die NMR-Strukturaufklärung, die Go-Engine, die Neufassung des Zircon-Kernels — wird im Text Gemini 4 Argon zugeschrieben, oder „Gemini 4“ ohne Stufe, oder dem Harness selbst.
Das ist kein Skandal und keine Korrektur. Es ist eine Unterscheidung, die man richtig hinbekommen sollte, bevor irgendjemand darauf seine Budgetplanung stützt, weil die beiden Modelle nicht so austauschbar sind, wie der Tweet impliziert, und weil sich der Preis von Carbon am 1. Dezember 2026 verdoppeln soll — vierzehn Tage ab heute. Im Folgenden geht es darum, was der Beitrag tatsächlich sagt, welche Behauptungen einer Prüfung standhalten, welche Anbieterangaben sind und nicht reproduziert wurden, und was ein Leser außerhalb von Google diese Woche mit irgendetwas davon anfangen kann.
Der Beitrag, das Programm und der eine Satz
Google Research veröffentlichte es am 13. November und nannte Vahab Mirrokni, einen Google Fellow und VP von Google Research, als Urheber. Der einleitende Absatz nennt die Modelle in einer einzigen Liste: „Mithilfe von Gemini 4 Argon, Gemini 4 Carbon, Gemini 4 Hydrogen und Multi-Agenten-Workflows wie Antigravity's /teamwork (aufbauend auf verschiedenen Gemini-Modellen) haben diese Kooperationen neue Innovationen hervorgebracht…“ Dieser Satz ist Carbons gesamter Auftritt in der Argumentation. Zählt man die Namen im darunterliegenden Text, erscheint Argon dreizehn Mal, Hydrogen einmal und Carbon kein weiteres Mal.
Der Grund ist struktureller Natur und nicht peinlich. /teamwork ist ein Harness, kein Modell: Es betreibt einen Pool spezialisierter Agenten, gibt jedem nur die Dateien und Werkzeuge, die sein Schritt benötigt, übergibt Arbeit an frische Nachfolger, damit der Kontext bei mehrtägigen Läufen nicht verrottet, und leitet jeden Prompt an ein für die Aufgabe gewähltes Workflow-Muster weiter. Seine Verifikationsschicht ist das, was Google tatsächlich verkauft – der Lean-4-Prüfer, unveränderte Testsuiten, Ausführungssimulatoren, Hardware-Zähler –, die als Falsifizierer fungieren und entscheiden, welche Kandidatenantwort überlebt. Wenn ein Harness die Orchestrierung übernimmt und ein Beweisprüfer das Urteil fällt, zählt das darunterliegende Modell weniger als die Schleife darum herum. Argon, das seit dem 13. Oktober 2026 über die kostenpflichtige API aufrufbar ist, ist das Modell, auf dem die Kampagnen liefen.
Carbons eigene Begründung für die Aufnahme in die Liste ist stichhaltig, aber anders gelagert: Es ist das stärkste Allzweckmodell, das Google veröffentlicht hat, und bei Artificial Analysis steht es derzeit mit 60 auf dem Intelligence Index v5.0.1 auf Platz vier von 81 Modellen. Nichts in dem Beitrag vom 13. November widerspricht dem. Nichts darin belegt allerdings auch, dass Carbon die Arbeit erledigt.

Die Ergebnisse, geordnet danach, wie überprüfbar sie sind.
Der Beitrag ist für einen Forschungsblog ungewöhnlich großzügig mit Details, was es ermöglicht, die Behauptungen danach zu sortieren, welche Art von Belegen hinter ihnen steht, statt danach, wie beeindruckend sie klingen.
• Maschinell überprüft, daher im Prinzip verifizierbar — der Courtade–Kumar-Beweis, durchgängig in Lean 4 auf 50 Millionen Zeilen formalisiert, wobei der menschliche Beitrag benannt wird: Ein CUHK-Team schlug die Kandidatenfunktion vor, die das Problem auf eine Optimierung mit 14 Variablen reduzierte. Ebenfalls in dieser Kategorie: die Formalisierung der Weil-Vermutungen mit rund 1,8 Millionen Zeilen über 28.800 Subagenten-Aufrufe hinweg, Hilberts zehntes Problem über allgemeinen Ringen mit über 919.000 Zeilen, die seit 1927 offene Birkhoff-Vermutung und die 3D-Bochner–Riesz-Vermutung, bei der das System meldet, eine Lücke in einem kürzlich veröffentlichten informellen Beweis gefunden und geschlossen zu haben. Ein Lean-Beweis, der kompiliert, ist eine andere Klasse von Aussage als ein Benchmark-Ergebnis, und Google gebührt dafür die Anerkennung — wobei „50 Millionen Zeilen generierten Beweiscodes“ auch eine Aussage über das Suchvolumen statt über Eleganz ist.
• Gemessen, wobei die Messung beschrieben wird — das molekularchemische Ergebnis. Dreißig spezialisierte Agenten in einer selbstkorrigierenden Schleife plus ein physikinformierter Spektral-Simulator erreichten bei NMR-Benchmarks zur Strukturaufklärung 95 % exakte Übereinstimmung bei Top-1 und 100 % bei Top-3; Google beschreibt dies als nahezu doppelte Leistung eines einzelnen Agenten. Dies ist im Beitrag die Aussage, die einer lebenswissenschaftlichen Behauptung am nächsten kommt, und sie ist diejenige, die am ehesten zitiert werden dürfte. Die Benchmark-Moleküle werden im Beitrag nicht genannt, der Basiswert für einen einzelnen Agenten wird nur als Verhältnis angegeben, und eine unabhängige Reproduktion gibt es noch nicht.
• Peer-nah, mit beigefügter Umfrage — Deep Review auf der STOC 2027. Autorinnen und Autoren von 578 Einreichungen – mehr als ein Drittel der Gesamtzahl – entschieden sich für automatisiertes Feedback zu ihren Entwürfen. In einer laufenden Umfrage unter 70 Autorinnen und Autoren bewerteten 90 % das Feedback als überwiegend oder nahezu vollständig faktisch zutreffend, 90 % gaben an, es erneut nutzen zu wollen, über 30 % sagten, es habe inhaltliche Fehler in Beweisen aufgedeckt, und 14 % berichteten von technischen Lücken, deren Behebung mehr als eine Stunde in Anspruch nahm. Dabei handelt es sich um selbstselektierte Befragte, die ihre eigenen Einreichungen beschreiben; das ist schwächer als eine kontrollierte Studie und deutlich stärker als ein Erfahrungsbericht.
• Engineering-Kennzahlen aus Produktionssystemen — eine Rust-Neufassung von rund 800.000 Zeilen für den Zircon-Mikrokernel, die ihre Unit-Tests besteht und auf arm64 bootet; libgav1, auf rund 170.000 Zeilen Rust portiert, mit 100 % bitgenauer Parität und letztlich 20 % bis 30 % schneller als der ursprüngliche C++-Code und handgeschriebener Assembler; TPU-Kernel-Arbeit, die eine 4,09-fache Beschleunigung im geometrischen Mittel über 17 JAXBench-Kernel meldet; Connected Components, das auf Graphen mit Billionen Kanten skaliert – bei 6x weniger RAM; und eine 9x9-Go-Engine, die in weniger als acht Tagen etwa 2.600 Elo gewann und damit zwischen KataGo mit 16 bzw. 32 Besuchen landete. Dies sind interne Messungen, die das Unternehmen zu veröffentlichen beschloss, ohne externe Prüfung und in den meisten Fällen ohne veröffentlichtes Artefakt.
• Überhaupt nicht im Beitrag — alles zum Thema Kosten. Weder ein Kampagnenbudget noch eine Token-Anzahl noch eine Rechnung pro Ergebnis taucht irgendwo im Text auf. Für ein System, dessen Output 50-Millionen-Zeilen-Beweise und achttägige autonome Trainingsläufe umfasst, ist das die Auslassung, die ein Leser, der seine eigene Kampagne plant, am ehesten gefüllt sehen würde.
Lies die Liste noch einmal mit der Zuschreibung im Hinterkopf, und die Form wird klar: Der Harness erzeugt das Ergebnis, der Verifier zertifiziert es, die menschlichen Expert:innen rahmen das Problem, und das Modell ist der Motor – ein Motor unter dreien, und der Beitrag nennt den, auf den er sich gestützt hat.
Warum ein Harness-Ergebnis kein Modellergebnis ist und wie man den Unterschied bepreist
Der Anreiz, die beiden zu vermengen, ist offensichtlich, denn ein Benchmark-Wert ist eine Zahl, die man vergleichen kann, und ein Harness-Ergebnis ist eine Geschichte über einen Workflow. Carbons vergleichbare Zahl, gemessen von einem Dritten, der kein Eigeninteresse am Harness hat, ist 60 auf dem Intelligence Index v5.0.1 — Platz vier von 81, mit Claude Fable 5.2 bei 65 darüber und GPT-6.1 Sol bei 55 darunter. Dieselbe Seite beziffert Carbons Kosten auf $5.48 pro abgeschlossener Index-Aufgabe und seine Zeit auf 33,2 Minuten pro Aufgabe, beides deutlich über den Medianwerten seiner Preisklasse, weil es 205 Millionen Ausgabe-Tokens schreibt, um zu erledigen, was das Medianmodell in 78,6 Millionen erledigt.

Diese Ausführlichkeit ist kein Defekt bei einer Beweissuche. Wenn die Aufgabe darin besteht, einen Parameterraum zu erkunden und Kandidaten gegen Lean zu prüfen, ist das Mehrschreiben die Methode. Wenn die Aufgabe ein Support-Ticket ist, ist es die Rechnung. Der Beitrag vom 13. November ist ein Beleg für den ersten Fall und sagt nichts über den zweiten aus — und jedes Team, das ihn als „Carbon ist das Modell für unseren Agenten“ liest, leiht sich ein Ergebnis aus einem Harness, den es nicht betreibt, bei einem Aufgabentyp, den es möglicherweise nicht hat.
Übertragbar ist das Entwurfsmuster, und es ist nicht allein Googles: parallele Erkundung, ein externer Falsifizierer ohne eigene Meinung, frischer Kontext bei jedem Schritt und ein Kritiker, der die Argumentation des Produzenten nie zu sehen bekommt. Jedes dieser Elemente ist eine Eigenschaft davon, wie man ein Modell aufruft, nicht davon, welches Modell man aufruft.
Was ein Außenstehender tatsächlich bekommen kann und was es nach dem 1. Dezember kostet
Der Beitrag endet mit dem Absatz, der die konkretesten Handlungsoptionen bietet: Externe Wissenschaftler und Entwickler können Gemini-4-Modelle ab heute mit /teamwork und /boost in Antigravity und Deep Review nutzen, und Google hat Bewerbungen eröffnet, die 10.000 akademischen Forschenden sechs Monate lang kostenlosen Zugang zur höchsten Nutzungsstufe gewähren. Dieses Programm ist die eigentliche Neuigkeit für ein Labor. Es ist außerdem der einzige angebotene Weg, der kostenlos ist, und es ist begrenzt, an eine Bewerbung geknüpft und zeitlich befristet.
Alle anderen kaufen Tokens. Gemini 4 Carbon wurde am 10. November 2026 allgemein über die kostenpflichtige Gemini API verfügbar – dreizehn Tage nach der Ankündigung durch Google –, zu 2,00 US-Dollar pro Million Eingabe-Tokens und 10,00 US-Dollar pro Million Ausgabe-Tokens. Dieser Satz gilt bis zum 30. November und wird am 1. Dezember zu 4,00 bzw. 20,00 US-Dollar, wobei die zwischengespeicherte Eingabe am selben Tag von 0,10 auf 0,20 US-Dollar steigt. Für das Modell gibt es keine kostenlose Stufe; jedes verarbeitete Token wird abgerechnet, Thinking-Tokens eingeschlossen. Eine sechswöchige Forschungskampagne zum heutigen Tarif ist eine Kampagne zum halben Dezemberpreis – was entweder ein Argument dafür ist, jetzt zu beginnen, oder ein Grund, die Rechnung mit dem höheren Betrag zu kalkulieren.
Carbon wird auf OrcaRouter als google/gemini-4-carbon zum Google-Listenpreis mit 0 % Aufschlag geroutet, und zwar über denselben Schlüssel und denselben OpenAI-kompatiblen Endpoint wie der Rest des Katalogs, was hier aus einem banalen Grund wichtig ist: Die Änderung vom 1. Dezember ist eine Preisänderung des Anbieters, und eine Durchreichungsrate bedeutet, dass sich die Zahl auf unserer Seite am selben Tag mit der von Google bewegt und nicht erst nach einem Preisanpassungszyklus. Die Modellseite enthält den aktuellen Rahmen — 1.048.576-Token-Kontext, 65.536 Token maximale Ausgabe, Text, Bild, Audio, Video und PDF rein, Text raus, native Tool-Aufrufe und strukturierte Ausgaben — also das Datenblatt, das Googles eigener Launch-Beitrag nicht veröffentlicht hat.

Die Frage, die der Beitrag offen lässt
Google hat nun binnen zwanzig Tagen eine Ankündigung veröffentlicht, die Carbon auf einem neutralen Index auf Platz eins setzte, einen Beitrag zur allgemeinen Verfügbarkeit, der es aufrufbar machte und seinen eigenen Rabatt mit einem Datum versah, sowie einen Forschungsbeitrag, der es in einer Liste neben zwei Schwestermodellen aufführte. Was es nicht veröffentlicht hat, ist ein einziges Ergebnis, das es allein Carbon zuschreibt – zu angegebenen Kosten und bei einer Aufgabe, die ein Dritter erneut ausführen kann. Bis es das gibt, ist die ehrliche Zusammenfassung des 13. November enger als der Tweet und nützlicher: Die Testumgebung funktioniert, der Verifizierer ist der interessante Teil, und das Modell, das dreizehn Mal genannt wurde, ist dasjenige, auf dem die Kampagnen tatsächlich liefen.
In diesem Artikel verglichen1
Aus diesem Artikel erkannt · Benchmarks: Artificial Analysis · täglich aktualisiert
