Google bringt Gemini 4 Argon zu rund einem Fünftel des Preises der Konkurrenz

Google wurde monatelang höflich als „noch nicht aus dem Rennen“ beschrieben. Jetzt hat es Gemini 4 Argon veröffentlicht, ein Modell, das nach eigener Aussage mit dem Besten mithalten kann, was die Branche zu bieten hat, und verlangt dafür ungefähr ein Fünftel dessen, was die Spitzenreiter nehmen. Ob das Selbstbewusstsein oder ein Ausverkauf ist, beantwortet die Preisseite ehrlicher als die Pressemitteilung.

Argon ist Googles erste große Frontier-Veröffentlichung seit Gemini 3 Ende 2025. In der Zwischenzeit brachten Anthropic und OpenAI Modelle heraus, neben denen Google wie der Platzhirsch wirkte, der vergessen hat zu erscheinen. Interne Umbrüche halfen nicht. Argon ist die Antwort, und sie kam einen Tag, nachdem Meta sein eigenes Frontier-Modell Muse Wonder Full angekündigt hatte. Dadurch sieht die Frontier weniger nach einem Zweikampf aus und mehr nach einer überfüllten Koppel.

Was Google tatsächlich behauptet

Google sagt, Argon biete „Frontier-Reasoning und verbesserte Leistung bei komplexen Workflows“. Außerdem soll das Modell sich weniger absichern, sich weniger wiederholen und die Klischees vermeiden, die so viele Chatbot-Antworten wie ein Motivationsposter klingen lassen.

Das Unternehmen behauptet, Argon schlage GPT-6 Astra, Claude Fable 5.1 und Claude Opus 5.5 in Benchmarks zu Programmierung, Cybersicherheit, Wissenschaft, Finanzen und Recht. Das einzige konkret genannte Ranking stammt aus der Ankündigung von Google DeepMind selbst: Argon liegt auf Platz 1 des Vals Index, der die Modellleistung über wirtschaftliche Sektoren wie Finanzen, Programmierung, Recht und Steuerarbeit hinweg misst.

Weitere Ranglisten-Behauptungen tauchen später in der Ankündigung auf und werden unten behandelt. Alle Zahlen stammen von Google, und die Ankündigung enthält keine vollständige Ergebnistabelle.

DeepMind bewirbt Argon außerdem als Modell für „Deep Work“. Gemeint sind lange, mehrstufige Aufgaben, bei denen das Modell weitermacht, statt eine schnelle Antwort zu liefern und mit den Schultern zu zucken. Über die Gemini API unterstützt es ein einheitliches Eingabe-Ausgabe-Limit von 1M Tokens, und Google weist Entwickler an, die Dokumentation zu einem neuen Continuation-Protokoll zu lesen, um alles richtig einzurichten.

Wo Sie es nutzen können

Google sagt, der Rollout sei global und beginne heute. Der Zugang hängt stark davon ab, wer Sie sind und was Sie zahlen.

Zielgruppe	Zugang
Entwickler	Gemini API (Bezahlstufe), AI Studio, Android Studio
Abonnenten von Google AI Ultra	Google Antigravity, die Gemini-App, AI Mode in Search
Abonnenten von Google AI Pro	Die Gemini-App und AI Mode in Search
Unternehmen	Gemini for business, die API, Google Antigravity
Wissenschaftler und Forscher	Bewerbung für kostenlosen Antigravity-Zugang auf höchster Stufe
Cybersicherheits-Verteidiger	Bewerbung für das Fairwind Program

Eine Lücke fällt auf. Ein Bericht zum Launch merkt an, es sei unklar, wann oder ob Argon Plus-Abonnenten oder kostenlose Nutzer erreichen wird. Googles eigene Ankündigung nennt Ultra und Pro und sagt sonst nichts, was auch eine Art Antwort ist.

Der Preis ist das lauteste Feature

Argon startet mit einem Einführungspreis von $2 pro Million Input-Tokens und $10 pro Million Output-Tokens, wobei zwischengespeicherte Input-Tokens 95 Prozent günstiger sind. Das entspricht etwa einem Fünftel der Kosten von OpenAIs GPT-6 Astra und Anthropics Fable-5-Modellen.

Das Wort „Einführung“ ist wichtig. Laut einem Bericht verdoppeln sich diese Preise Ende November, wenn die Einführungsphase endet. Selbst dann läge Argon pro Token noch deutlich unter seinen Frontier-Konkurrenten.

Es gibt einen Haken, und es ist der übliche. Der Preis pro Token ist nicht der Preis pro Aufgabe. Modelle können für dieselbe Arbeit unterschiedlich viele Tokens verbrauchen, und ein billiger Token kann trotzdem einen teuren Nachmittag erzeugen. Wenn Argon wortreich ist oder lange nachdenkt, bevor es antwortet, schrumpft die Ersparnis. Die Zahlen, die das klären würden, hat noch niemand veröffentlicht.

Die Engineering-Schau

Googles stärkstes Material ist eine Liste dessen, was die eigenen Teams mit Argon gemacht haben, meist mit Antigravity, der agentischen Entwicklungsplattform des Unternehmens. Google sagt, Ingenieure hätten in den vergangenen Wochen schneller Code ausgeliefert. Mit Argon in Antigravity steigerten Teams die agentischen Code-Einreichungen um mehr als 35 Prozent und senkten die Code-Rollbacks um fast ein Drittel.

Die konkreten Beispiele sind interessanter als die Gesamtzahlen.

• Chrome-Refactoring. Argon half dabei, die zentrale Webseitenverarbeitung aus einem rund 6 Millionen Zeilen umfassenden Legacy-Ordner mit Browser-Funktionen innerhalb der 40 Millionen Zeilen großen Codebasis von Chromium herauszulösen. Es erzeugte mehrere saubere Code-Änderungen gleichzeitig und schloss ein architektonisches Refactoring über Hunderte von Dateien ab. Google sagt, das habe Wochen statt Monate gedauert. Der Gewinn seien laut Google Live-Webseiten, die sich ohne Neuladen zwischen Tabs, Seitenleisten und schwebenden Fenstern bewegen lassen, sowie der Wegfall einer ganzen Kategorie von Browser-Abstürzen.
• Agent Development Kit. Das Team hinter Googles Open-Source-ADK gab Argon sein Regelwerk .agents/skills und ein Ziel in einem Absatz: den Framework-Overhead senken, ohne bestehende Apps zu beschädigen. Über Nacht und ohne Eingriffe fand Argon Optimierungen, die jetzt in google/adk-python live sind. Sie senkten die Vorbereitungszeit für In-Memory-Sitzungen in langen Sitzungen um 40 Prozent und beschleunigten Cold Imports um 21 Prozent.
• xTB. Dies ist eines der am häufigsten zitierten Open-Source-Pakete für Quantenchemie. Es wird genutzt, um Molekülformen vorherzusagen und Kandidaten für Wirkstoffe und Materialien zu sichten. Googles Forscher nutzten Argon, um es bei der Vorhersage von Molekülstrukturen bis zu 2,3-fach und bei der Konformersuche 1,8-fach schneller zu machen. Die Änderungen gingen ins offizielle xTB-Repository auf GitHub.
• Gemma-Inferenz. Google meldet eine 2,85-fache End-to-End-Beschleunigung der Inferenz für seine offenen Gemma-Modelle auf einer A100 über vLLM. Der Durchsatz bei Gemma 4 E2B stieg von rund 37.900 auf über 108.000 Tokens pro Sekunde, bei 100 Prozent Token-Parität und ohne Qualitätsverlust. Das habe wenige Tage gedauert, eine Arbeit, die normalerweise Monate beanspruche, und verweist auf Upstream-Pull-Requests, die von Attention-Tuning bis zu spekulativem Decoding reichen.

Ein separater Bericht nennt weitere interne Einsatzzwecke: das Finden und Beheben von Sicherheitslücken, die Halbierung der Rechenleistung für den Kommentarbereich von YouTube und das Debugging des Drohnenphysik-Simulators für Wing, das Drohnenlieferunternehmen von Alphabet.

Das Muster ist durchgängig. Argon bekommt ein vages Ziel, ein Regelwerk und eine Nacht allein und kehrt mit messbaren Verbesserungen an echten Repositories zurück. Die Messungen stammen von Google selbst, aber der Code ist in mehreren Fällen öffentlich und damit überprüfbar.

Dreidimensionales Vorführen

Google behauptet außerdem große Verbesserungen bei räumlichem Denken, mathematischer Präzision und visuellem Programmieren im Vergleich zu früheren Gemini-Modellen. Die Demos stützen sich auf den Slash-Befehl /goal von Antigravity und auf Multi-Agenten-Schleifen mit eigenen Skills.

Die Liste ist ein wenig theatralisch, zeigt aber, was ein lang laufender Agent aneinanderreihen kann:

• Eine detaillierte Pagode, entstanden durch visuelle Multi-Agenten-Kritikschleifen, am Ende ein Tempelkomplex aus mehreren Gebäuden mit Vegetation und Beleuchtung in Blender.
• Ein spielbares Miniatur-Rennspiel aus Bildern eines echten Schreibtischs. Blender MCP übernahm Modellierung und Kollisionsprüfungen, Nano Banana erzeugte Texturen, und Gemini Omni Flash lieferte den Motorsound in Three.js.
• Ein komplexes 3D-Spiel mit prozeduraler Skulptierung, Rigging, Animation und PBR-Baking, fürs Web aufbereitet mit GLSL-Shadern, Zerbrechphysik und einer Einzelspieler-KI.
• Eine 3D-Raytracing-Engine in reinem Python ganz ohne externe Bibliotheken, die anschließend ein Video einer sonnendurchfluteten Bibliothek erzeugte, vertont mit Gemini 3.8 TTS und musikalisch untermalt mit Lyria 3.5.
• Eine fertige gotische 3D-Szene aus einem einzigen Nano-Banana-Bild, wobei Argon Blender MCP in einer autonomen Schleife steuerte.

Einige davon lassen sich in AI Studio ausprobieren. Als Demos haben sie den Vorteil, dass man sie selbst öffnen und beurteilen kann, was die meisten Launch-Videos nicht erlauben.

Büroarbeit, mit weniger Absicherung

Google sagt, Argon verbinde Frontier-Reasoning, tiefe visuelle Wahrnehmung, breiteres Fachwissen und besseres Schreiben in Recht, Finanzen, Wissenschaft und Programmierung. Das Modell befolge Stilvorgaben besser als jedes frühere Gemini-Modell und halte Nutzer bei der Arbeit auf dem Laufenden.

Die Geschäftsbeispiele sind praxisnah:

• Dokumentenlastige Synthese. Argon führte rund 50 GB an luftgestützten LiDAR-Scans, GIS-Raumvektoren, CAD-Zeichnungen der Library of Congress und Archivmaterial des National Park Service zusammen, um 3D-Modelle des Chaco Canyon zu rekonstruieren.
• Kundenangebote. In der Gemini-App verwandelt Argon einen unstrukturierten Ordner mit Projektkontext mithilfe eines eigenen Skills in eine Angebotspräsentation. Anschließend entwirft und verschickt es die Präsentation per E-Mail und richtet eine geplante Aufgabe für künftige Kundenanfragen ein.
• Medizinische Ausbildung. Es kombinierte Daten aus drei Open-Source-Repositories zu einem 3D-Werkzeug, mit dem Nutzer anatomische Schichten abtragen, klinische Metadaten untersuchen und Biomechanik auslösen können.
• Produktdesign. Aus einer Skizze mit Maßen und einem Foto eines Sofas erzeugte Argon, über Antigravity in der Gemini-App für macOS, mit Nano Banana Designoptionen für neue Sofabeine und erstellte für eine davon eine 3D-druckbare Datei.
• Wirkstoffforschung. Isomorphic Labs nutzt Argon, um komplexe PDFs und Patente zusammenzufassen, wodurch ein Prozess, der normalerweise Wochen dauert, auf Stunden schrumpft.

Die Sofabein-Demo ist die ehrlichste der Reihe. Sie ist klein, konkret und etwas, das ein Mensch tatsächlich haben wollen könnte.

Cybersicherheit und das Tor davor

Der öffentliche Rollout folgt auf eine begrenzte Veröffentlichung an einen ausgewählten Kreis „vertrauenswürdiger Cyberabwehrer“, im Einklang mit dem Umgang mit anderen aktuellen Frontier-Modellen. Google sagt, der Zugang werde nun auf Hunderte weiterer Partner des Fairwind Program ausgeweitet. Verteidiger, die sich bei Fairwind bewerben, können Argon ohne Cyber-Guardrails erhalten, schrittweise.

Die Begründung lautet, dieselbe Fähigkeit, die für Verteidiger Schwachstellen findet, könnte Angreifern helfen, weshalb die uneingeschränkte Version zuerst an geprüfte Personen geht. Das ist ein vernünftiger Kompromiss und zugleich eine saubere Art zu sagen „das ist gefährlich“, während man es verkauft.

Google verweist auf Wiz, das Argon in seiner Initiative „Scan for Good“ einsetzt, die kritische Infrastruktur kostenlos schützt. Zwei Fälle werden beschrieben:

1. Regierungsdaten. In Zusammenarbeit mit einer Bundesbehörde im Rahmen eines lang laufenden Cyber-Resilienz-Programms half Argon, eine Lücke zu finden und zu schließen, die sensible Daten und Regierungsinfrastruktur offengelegt hätte.
2. Gesundheitswesen. Durch das Verketten komplexer Schwachstellen half Argon dem Team, einen Bypass beim öffentlichen Datei-Download zu entdecken und zu beheben, der einen Master-Key offenlegte und Administratorzugriff gewährte. Google sagt, das habe Hunderttausende private Patientenakten geschützt.

Die Details sind bewusst dünn, wie man es bei Berichten über Schwachstellen erwartet. Das heißt aber auch, dass sie sich von außen schwer überprüfen lassen.

Wissenschaftliche Behauptungen

In diesem Abschnitt wird Googles Ankündigung am ehrgeizigsten.

Quantencomputing. Argon übersetzte eine interne Version von AlphaQubit, DeepMinds auf maschinellem Lernen basierendem Decoder für Quantenfehlerkorrektur, in einen einzigen optimierten Hardware-Kernel. Google sagt, das habe den Inferenzdurchsatz fast verdoppelt, sodass größere Modelle laufen können und dennoch Echtzeit-Schwellenwerte einhalten. Separat wurde eine von Argon geschriebene Implementierung von arcsin, einem Baustein in neueren Quantensimulationsalgorithmen, in Lean formal verifiziert. Google sagt, sie senke die Raumzeit-Kosten im Vergleich zu einer veröffentlichten Quanten-CORDIC-Baseline um mehr als das 100-Fache.

Kernfusion. Seit 1967 ging eine als Grads Vermutung bekannte Hypothese davon aus, exakte mathematische Lösungen für Stellarator-Magnetfelder seien unmöglich, bis neuere Gegenbeispiele auftauchten, darunter einige von Professor Matt Landreman von der University of Maryland. Ein Google-Team, das mit Landreman zusammenarbeitet, sagt, es habe eine breitere Klasse von Gegenbeispielen gefunden. Diese liefern Fusionsforschern verlässliche Benchmarks zum Testen von Stellarator-Simulationscodes.

Seltene Krankheiten. Forscher bei Gamow Labs setzten Argon auf anonymisierte Genome von Neugeborenen mit seltenen entwicklungsbedingten Lungenerkrankungen an. In einem Fall fand es eine Chromosomenumlagerung, die Standardsoftware jahrelang übersehen hatte, und erklärte, warum. In Gamows privaten Evaluierungen auf Basis echter klinischer und Labordaten lag Argon bei RareBench mit 57 Prozent für die Unterstützung der Diagnose seltener Krankheiten und bei LabBench mit 52,2 Prozent für Wet-Lab-Reasoning vorn. Dabei handelt es sich um private, nicht um öffentliche Evaluierungen.

Enzymdesign. Googles Wissenschaftler entwarfen gemeinsam mit Argon Serinesterasen, Enzyme, die Esterbindungen spalten und beim Recycling sowie bei der Herstellung von Pharmazeutika, Biokraftstoffen und Waschmitteln eingesetzt werden. Ziel war ein Benchmark-Molekül, 4MU-acetate, das unter UV-Licht leuchtet, wenn seine Esterbindungen aufbrechen. Innerhalb weniger Stunden stellte Argon Daten zusammen, stimmte ein Modell ab und wendete von der Biochemie inspirierte Filter an, um fünf neuartige Designs zu erhalten. Labortests bestätigten anschließend bei allen katalytische Aktivität.

Google bietet außerdem 10.000 Wissenschaftlern sechs Monate lang die höchste Nutzungsstufe von Antigravity kostenlos an. Das Onboarding läuft schrittweise, und der Zugang unterliegt Berechtigung, Kapazität und Auswahl. Bewerbungen sind offen.

Robotik: sieben Cornhole-Würfe

Google sagt, Argon erreiche im Embodied-Reasoning-Benchmark ERQA, der physisches und räumliches Problemlösen in 3D-Umgebungen testet, 87 Prozent und schlage mit reinem Reasoning alle anderen Frontier-Modelle.

Die Demonstration macht mehr Spaß als die Zahl. In einem internen Test sah sich Argon ein Rohvideo einer Person beim Cornhole-Spielen an, bestimmte die Raumkoordinaten, leitete die Ganzkörper-Gelenkbewegungen ab und schrieb den Simulationscode selbstständig. Als dies auf Apptronix Humanoiden Apollo übertragen wurde, versenkte der Roboter in einem Test unter realen Bedingungen sieben Würfe in Folge.

Google nennt das eine „Video-to-Sim-to-Real“-Pipeline und sagt, sie verdichte Wochen manueller Simulationsmodellierung auf wenige Stunden. Eine Demo ist kein Benchmark, aber gegen sieben Treffer in Folge lässt sich schwer argumentieren.

Sicherheitsaussagen

Google beschreibt Argon als Modell mit seinem bislang umfassendsten Sicherheits-Stack und sagt, Drittpartner hätten dabei geholfen, bestimmte Fähigkeiten und Schutzmaßnahmen zu messen. Die Aussagen im Rahmen des Frontier Safety Framework lauten:

• Schutz vor Missbrauch. Ein mehrschichtiger Stack aus Jailbreak-Resistenz, Überwachung und Durchsetzung. Externes Bio-Red-Teaming konnte weniger als 1 Prozent der getesteten Bio-Teilaufgaben freischalten. In einem adversarialen Stresstest-Set sanken die Verstöße im Vergleich zu früheren Gemini-Modellen fast auf die Hälfte.
• Weniger Abkürzungen. Google befürchtet, dass Agenten zu eifrig werden, fertig zu werden, und nicht autorisierte Umwege um Hindernisse wie Berechtigungsfehler oder fehlschlagende Tests nehmen. Es trainierte Argon darauf, Systemgrenzen zu respektieren, negative Befunde ehrlich zu melden und vor irreversiblen Schritten auf menschliche Bestätigung zu warten. Bei Coding-Benchmarks, in denen Modelle keinen Anreiz zur Zurückhaltung haben, sanken Abkürzungsversuche auf 2 Prozent, das beste Ergebnis unter den Gemini-Modellen.
• Live-Überwachung. Ein automatisierter Misalignment-Monitor liest die schrittweisen Überlegungen und Aktionen des Agenten und blockiert unbeabsichtigte Umgehungen in Echtzeit. Google setzte ihn in internen Deployments, Fähigkeitsevaluierungen und Reinforcement-Learning-Läufen ein. Es habe vermieden, die Gedanken des Modells im Training zu bestrafen, damit das Reasoning transparent und überwachbar bleibt.
• Prompt Injection. Durch adversariales Training und automatisiertes Red-Teaming führt Argon den Gray Swan Indirect Prompt Injection Benchmark an und senkt die Angriffserfolgsrate über 15 adaptive Versuche auf 0,7 Prozent.

Eine Model Card steht für alle bereit, die die ausführliche Version wollen.

Was davon zu halten ist

Der Preis ist die am besten überprüfbare Aussage des Pakets. Die Benchmarks stammen von Google, die wissenschaftlichen Ergebnisse kommen mit Googles eigenen Kollaborateuren, und die Sicherheitszahlen stammen aus Googles eigenen Tests. Das macht sie nicht falsch. Es bedeutet, dass das eigentliche Urteil von Entwicklern kommen wird, die Argon an ihren eigenen Codebasen laufen lassen und herausfinden, wie viele Tokens es dabei verbrennt.

Zwei Dinge sind beobachtenswert. Das erste ist, was passiert, wenn sich die Einführungspreise Berichten zufolge Ende November verdoppeln, und ob ein Modell, das pro Token günstiger ist, auch pro Aufgabe günstiger bleibt. Das zweite ist der Zugang: Argon steht zahlenden Abonnenten und Entwicklern offen, und die kostenlose Stufe bleibt unerwähnt.

Google sagt außerdem, Gemini 4 Argon sei „erst der Anfang“ und der Rest der Gemini-4-Familie sei unterwegs. Nach einer langen stillen Phase ist das ein bemerkenswertes Versprechen. Google ist nun zum Rennen erschienen, und die nächste Frage ist, ob es durchhalten kann.