Google bringt Gemini- 4 Argon-KI-Modell für Unternehmens- und Entwicklernutzung auf den Markt

Google DeepMind veröffentlichte Gemini 4 Argon weltweit am 2026-10-13 und machte sein neuestes multimodales Denkmodell Entwicklern, Unternehmen und Verbrauchern über mehrere Plattformen zugänglich, darunter die Gemini-API, KI Studio, Google Antigravity, die Gemini-App und KI Mode in Search, so ein Blogbeitrag von Koray Kavukcuoglu, der 2026-10-13 veröffentlicht wurde. Das Modell wurde am 2026-09-30 angekündigt, wobei der anfängliche Zugang auf vertrauenswürdige Cybersecurity-Verteidiger beschränkt war.

Der Start richtet sich an Nutzer, die an komplexen, mehrstufigen Aufgaben in den Bereichen Coding, Finanzen, Recht, Cybersicherheit und Wissenschaft arbeiten. Google berichtete, dass Argon im Vals-Index den ersten Platz belegt, der die Modellleistung in kritischen Wirtschaftssektoren wie Finanzen, Codierung, Recht und Steuerarbeit misst, laut der Ankündigung vom 13 . Oktober.

Preisgestaltung und technische Spezifikationen

Gemini 4 Argon startete mit einer Einführung der API-Preise von $2 pro Million Input-Token und $10 pro Million Output-Tokens, wobei zwischengespeicherte Input-Tokens 95% reduziert sind, so der Blogbeitrag vom 13 . Oktober. Die Google-Cloud-Dokumentation vom 2026-10-13 besagt, dass der Einführungspreis bis 2026-11-30 gilt, wonach der Standardpreis $4 pro Million Input-Tokens und $20 pro Million Output-Tokens betragen wird.

Das Modell unterstützt laut Ankündigung vom 13. Oktober ein einheitliches 1,048,576-Token-Kontextfenster, das von Eingabe und Ausgabe geteilt wird. Die API-Dokumentation von Google legt fest, dass die Standard-Synchronausgabe auf 65,536 Token begrenzt ist, mit einem Fortsetzungsprotokoll, das eine längere Generierung innerhalb des gemeinsamen Millionen-Token-Budgets ermöglicht. Das Modell akzeptiert Text, Bilder, Videos, Audio und PDFs als Eingabe, erzeugt aber nur Textausgabe; laut Googles Entwicklerdokumentation vom 2026-10-13 unterstützt es keine Bildgenerierung, Audiogenerierung oder die Live-API.

Interne Engineering-Implementierungen bei Google

Google berichtete von internen Anwendungsfällen, die die Anwendung des Modells auf Produktionsingenieurprobleme demonstrierten. Das Chrome-Team nutzte Argon in Google Antigravity, um den Code zur Verarbeitung von Kernwebseiten von einem Altordner innerhalb des 40-Millionenzeilen-Codebasises von Chromium zu trennen und so eine architektonische Refaktorierung über Hunderte von Dateien durchzuführen, die laut dem Blogbeitrag vom 13 . Oktober Monate gedauert hätte. Die Änderungen ermöglichen es Live-Webseiten, zwischen Tabs, Seitenpanels und schwebenden Fenstern zu wechseln, ohne neu laden zu müssen.

Googles Agent Development Kit Team berichtete, dass Argon über Nacht autonom seinen Python-Code optimierte, wodurch die Vorbereitungszeit der In-Memory-Sitzungen in langen Sitzungen um 40% verkürzt und Kaltimporte um 21% beschleunigt wurden, wobei Änderungen nun im Google/adk-python-Repository verfügbar sind, so die Ankündigung vom 13. Oktober und ein am selben Tag veröffentlichter Entwicklerblogbeitrag. Google-Forscher berichteten außerdem, dass Argon verwendet wurde, um die vLLM-Inferenz-Engine für Gemma 4 E2B auf einer A100 GPU um 2.85 zu beschleunigen, was den Durchsatz von etwa 37,900 auf über 108,000 Token pro Sekunde erhöhte, so der Blogbeitrag vom 13. Oktober.

Unternehmens- und Forschungsanwendungen

Wiz, ein Cybersicherheitsunternehmen, das am Fairwind-Programm von Google teilnimmt, nutzte laut Ankündigung vom 13 . Oktober frühen Zugang zu Argon, um Schwachstellen in der Regierungs- und Gesundheitsinfrastruktur zu identifizieren. In Zusammenarbeit mit einer nicht namentlich genannten Bundesbehörde half Argon, eine Lücke zu identifizieren, die das Risiko drohte, sensible Daten und Regierungsinfrastruktur offenzulegen. Im Gesundheitswesen half das Modell, eine öffentliche Dateidownload-Umgehung zu entdecken, die einen Masterschlüssel offenlegte und Administratoren Zugriff gewährte, was laut Blogbeitrag potenziell Hunderttausende privater Patientenakten betrifft.

In wissenschaftlicher Forschung berichtete Google, dass Argon half, die Arbeit an Quantencomputing zu beschleunigen, indem es eine interne Version von AlphaQubit, Googles maschinellem Lern-Quantenfehlerkorrektur-Decoder, in einen einzigen optimierten Hardware-Kernel übersetzte und so den Inferenzdurchsatz nahezu verdoppelte. Ein Team bei Google, das mit Professor Matt Landreman von der University of Maryland zusammenarbeitete, entdeckte eine breitere Klasse von Gegenbeispielen zu Grads Vermutung, einer 1967 Hypothese über Sternator-Magnetfelder, mit Hilfe von Argon, laut einem arXiv-Preprint, datiert 2026-10 in der Ankündigung zitiert.

Gamow Labs, eine Forschungsorganisation für seltene Krankheiten, nutzte Argon, um deidentifizierte Neugeborenengenome zu analysieren und identifizierte eine chromosomale Umordnung, die routinemäßige Software jahrelang übersehen hatte, so der Blogbeitrag vom 13 . Oktober. Bei den privaten Bewertungen von Gamow Labs, die aus klinischen und Labordaten basierten, erzielte Argon laut einem in der Ankündigung erwähnten Blogbeitrag von Gamow Labs 57% auf RareBench und 52.2% auf LabBench für die Wet-Lab-Begründung.

Robotik und physikalische KI

Google demonstrierte Argons Anwendung auf die Robotik durch eine "Video-to-Sim-to-Real"-Pipeline, in der das Modell ein Video eines Menschen beim Cornhole anschaute, erforderliche Gelenkbewegungen berechnete und autonom Simulationscode erstellte. Beim Transfer auf Apptroniks Apollo-Humanoid-Roboter absolvierte der Roboter laut Ankündigung vom 13. Oktober und einem am selben Tag veröffentlichten Entwicklerblogbeitrag sieben aufeinanderfolgende erfolgreiche Würfe in einer realen Prüfung. Argon erzielte 87% im Embodied Reasoning (ERQA)-Benchmark, der laut dem Blogbeitrag vom 13. Oktober die Fähigkeit eines Modells testet, physische, räumliche Probleme in 3D Umgebungen zu verstehen und zu lösen.

Sicherheits- und Zugangsprogramme

Google gab an, dass Argon Abwehrmechanismen gegen Missbrauch, Jailbreak-Versuche und prompte Injektionen enthält. Externes biologisches Red-Teaming konnte weniger als 1% der getesteten biologischen Teilaufgaben freischalten, und Verstöße gegen ein Adversarial-Set, das das Modell auf Stresstests absolvieren sollte, reduzierten sich laut der Ankündigung vom 13. Oktober und der von Google DeepMind veröffentlichten Gemini 4 Argon Model Card fast doppelt so viel wie frühere Gemini-Modelle. Bei Coding-Benchmarks fielen die Abkürzungsversuche – Fälle, in denen das Modell unautorisierte Aktionen ausführen könnte, um eine Aufgabe zu erfüllen – auf 2%, und Argon erreichte laut dem Blogbeitrag vom 13. Oktober eine 0.7% Erfolgsquote über 15 adaptiven Versuche im Gray Swan Indirect Prompt Injection Benchmark.

Google hat angekündigt, 10,000 Wissenschaftlern die höchste Nutzungsstufe von Google Antigravity für sechs Monate kostenlos anzubieten, fortlaufend und vorbehaltlich Berechtigung, Kapazität und Auswahl. Anträge wurden 2026-10-13 geöffnet. Das Unternehmen erweitert laut Ankündigung vom 13. Oktober auch sein Fairwind-Programm, das vertrauenswürdigen Cyberschutzverteidiger Zugang zu Argon ohne Cyber-Schutzmechanismen bietet, auf Hunderte weiterer Partner.

Einschränkungen und Modellkontext

Die Gemini 4 Argon Model Card, veröffentlicht von Google DeepMind, erkennt Halluzinationen, mögliche Verlangsamung oder Timeouts sowie eine 2026-03 Wissensgrenze an. Die Modellkarte beschreibt Argon als einen Transformer mit spärlicher Mischung von Experten und stellt fest, dass es sich nicht um eine Modifikation oder Feinabstimmung eines vorherigen Modells handelt. Googles 2026-10-Bewertungen zeigen bessere Ergebnisse bei einigen Wissens-, Langkontext- und Multimodal-Benchmarks im Vergleich zu konkurrierenden KI Modellen, aber schwächere Ergebnisse bei einigen Software-Engineering- und Terminal-Benchmarks, laut der Modellkarte vom 2026-10-13. Dies sind von Anbietern berichtete Bewertungen.

Quelle: blog.google.