Eine Codebasis mit mehreren Millionen Zeilen wird nach einem Fehler durchsucht, der erst über eine Kette von Aufrufen sichtbar wird. Am Ende steht nicht nur der Fund, sondern ein Patch, der die Ursache schließt. Die Ankündigung von Gemini 4 Carbon am 28. Oktober 2026 stellt diesen Ablauf aus Finden, Bewerten und Reparieren in den Vordergrund.
Für Entwickler ist weniger ein weiterer Assistent interessant, der Code-Schnipsel ausgibt. Carbon soll als Modell über Stunden und Tage in einem Repository arbeiten, Zwischenstände prüfen und Irrwege verlassen. Wer agentische Workflows baut, kennt das Problem: Nach zwanzig Schritten fällt das Modell oft aus dem Takt. Der Hersteller behauptet, der größte Fortschritt liege genau dort.
Platz eins im Intelligence Index, zwei Wochen nach Argon
Für Carbon nennt der Hersteller Platz eins in Version 5.0 des Artificial Analysis Intelligence Index mit einem Wert von 59. Der Index ist kein einzelnes Coding-Ergebnis, sondern ein Sammelwert über mehrere Aufgabentypen. Einzelne Punkte darin sollte man entsprechend vorsichtig lesen. Interessanter als die Zahl ist der Abstand: Gemini 4 Argon erschien laut Ankündigung nur zwei Wochen zuvor. Diese Kadenz spricht weniger für einen einmaligen Sprung als für eine Taktung. Modelle und Forschungsteams arbeiten dem Bericht zufolge eng zusammen, und die nächste Generation folgt der vorigen schneller als früher.
Beim Preis bleibt das Unternehmen bei den Einführungspreisen von Argon: 2 US-Dollar pro Million Eingabe-Token und 10 US-Dollar pro Million Ausgabe-Token. Zwischengespeicherte Eingabe-Token kosten 95 Prozent weniger als reguläre Eingabe-Token. Wer rechnen will, sollte hier ansetzen. Ein agentischer Lauf über Tage erzeugt sehr viele Ausgabe-Token, und dort liegt der teure Teil der Rechnung.
Schwachstellen finden, prüfen, schließen: drei Benchmarks als Ablauf
Für Cybersicherheit nennt die Ankündigung drei externe Messungen, die zusammen einen Arbeitsablauf abbilden. SEC-bench Pro misst, wie gut ein Modell echte Schwachstellen in realer Software findet; Carbon kommt auf 88,2 Prozent. ExploitGym prüft, ob ein Fund tatsächlich ausnutzbar ist — ein Schritt, mit dem Verteidiger heute priorisieren — und Carbon erreicht 54,8 Prozent. CWE-bench von Collinear bewertet, ob aus einem bestätigten Fund ein funktionierender Patch wird; dort stehen 71,0 Prozent.
Ein Vergleich macht die Zahlen greifbar: Ein Sicherheitsingenieur läuft ein Haus ab. Zuerst findet er das Schloss, das nicht sauber einrastet. Dann prüft er mit eigenem Werkzeug, ob sich die Tür wirklich öffnen lässt. Nicht jeder optische Mangel ist ein echtes Risiko. Erst wenn beides feststeht, tauscht er das Schloss aus, statt die Tür mit einem Brett zu verkeilen. Schwachstellen finden mit KI heißt: nicht nur melden, sondern die Kette bis zur Reparatur durchhalten. Dass ExploitGym mit 54,8 Prozent deutlich unter den 88,2 Prozent der Fundquote liegt, ist kein Schönheitsfehler. Ein Muster erkennen ist leichter, als den Beweis zu führen, dass es sich ausnutzen lässt.
In den eigenen Teams des Herstellers zeigt sich laut Bericht ein ähnliches Bild. Die Erfolgsrate beim Erzeugen sicheren Codes liege intern mehr als doppelt so hoch wie bei Argon. Das Chrome-Team habe bei hochwertigen Patches mehr als zehnmal besser abgeschnitten als ein großes Frontier-Modell eines anderen Labors. Wiz, die Cloud-Sicherheitsplattform des Unternehmens, sehe Carbon vorn bei Benchmarks für Web-Penetrationstests. Solche Eigenaussagen sind mit Vorsicht zu lesen, weil die Messmethodik nicht offenliegt. Sie zeigen aber, worauf der Hersteller den Schwerpunkt legt.
Lange Aufgabenketten: wenn ein Lauf nicht nach Minuten endet
Der zweite Anspruch betrifft Durchhaltevermögen. Carbon sei darauf ausgelegt, schwierige Engineering-Probleme über lange Zeit zu bearbeiten, schreibt das Unternehmen. Intern seien Läufe beobachtet worden, die über Tage gingen, in Sackgassen führten und trotzdem weitermachten, bis die Ursache eines subtilen Fehlers in einer großen Codebasis gefunden war. Wer agentische Workflows betreibt, weiß, wie ungewöhnlich das ist. Die meisten Modelle verlieren nach ein paar Dutzend Schritten den Faden, wiederholen sich oder brechen still ab.
Für ein KI-Modell für Cybersicherheit ist diese Eigenschaft Voraussetzung, nicht Beiwerk. Eine Schwachstelle in einem Low-Level-System findest du selten in einem Durchgang. Du brauchst Hypothesen, Gegenproben, verworfene Ansätze und eine Notiz darüber, was bereits ausgeschlossen wurde. Der Vergleich mit dem Sicherheitsingenieur trägt auch hier: Ein guter Prüfer geht nicht nach einer Stunde nach Hause und schreibt „nichts gefunden“. Er bleibt, dokumentiert und kommt mit einer belastbaren Aussage zurück. Ob Carbon das in fremden Umgebungen so zuverlässig schafft wie in internen Tests, werden erst unabhängige Erfahrungen zeigen.
Coding-Benchmarks und Webentwicklung: der Sprung auf WebDev Arena
Bei den Coding-Benchmarks nennt die Ankündigung vor allem eine Zahl aus der Webentwicklung. Auf WebDev Arena, wo Ergebnisse paarweise verglichen werden, steigt Carbon um 89 Elo-Punkte auf Platz vier mit einem Wert von 1768. Elo-Punkte sind anschaulicher als Prozentwerte, weil sie relative Spielstärke abbilden. 89 Punkte sind in diesem dichten Feld ein spürbarer Schritt, kein Rundungsfehler. Verbessert haben sich laut Bericht außerdem die Qualität der Artefakte, also dessen, was am Ende tatsächlich im Browser läuft, sowie Full-Stack-Aufgaben und multimodales Verständnis.
Bemerkenswerter als die Ranglistenposition ist ein Nebensatz aus dem Sicherheitsteil. Auf Terminal-Bench 4.0, einer Umgebung mit echter Shell, sank die Rate erfolgreicher Cheat-Versuche auf 0,0 Prozent, während die Versuche selbst auf 0,4 Prozent fielen — bei gleichzeitig besserer Genauigkeit. Das klingt technisch, trifft aber den Kern von KI für Coding und agentische Aufgaben: Ein Modell, das eine Prüfung durch Abkürzungen besteht statt durch Lösung, ist im Benchmark wertlos und im Produktivbetrieb gefährlich. In den internen Coding-Umgebungen des Herstellers gingen die hochpriorisierten Warnungen zu Fehlverhalten um fast 80 Prozent zurück.
Ehrlichkeit als Messgröße: unbelegte Aussagen und Prompt-Injection
Ein eigener Abschnitt der Ankündigung widmet sich unbelegten Aussagen und Prompt-Injection. Carbon halbiere die Zahl unbelegter Behauptungen gegenüber Argon, heißt es dort. Statt zu raten, hole das Modell Quellen heran und lege Widersprüche offen, bevor es handelt. Methodische Vorbehalte landen direkt im Ergebnis statt in einer Fußnote. Zusätzlich sei Übergriffigkeit um 26 Prozent und Unterversorgung um 29 Prozent gesunken. Das sind zwei Fehlerbilder, die sich in der Praxis oft abwechseln: ein Agent, der zu viel anfasst, und einer, der zu wenig erledigt.
Beim Schutz vor Prompt-Injection nennt der Bericht eine Zahl, die man sich merken sollte. Argon lag im Indirect Prompt Injection Benchmark von Gray Swan bei einer Erfolgsquote von 0,7 Prozent. Carbon kommt auf 0,0 Prozent, hat also jeden getesteten Angriffsversuch abgewehrt. Solche Nullwerte sagen etwas über den Testkatalog, nicht über die Welt. Neue Angriffsmuster wird es weiterhin geben. Die Richtung ist trotzdem relevant, weil jeder agentische Workflow, der fremde Inhalte liest, an dieser Stelle angreifbar ist.
Rollout, Preise und was von den Zahlen bleibt
Die Verfügbarkeit ist eng gehalten. Carbon geht zuerst an eine ausgewählte Gruppe von Cyber-Verteidigern und wird über das Fairwind-Programm schrittweise für weitere vertrauenswürdige Partner geöffnet. Der Hersteller beteiligt sich nach eigener Darstellung am freiwilligen Vorab-Testverfahren der US-Regierung und will Erfahrungen mit Schutzmechanismen sammeln, bevor Entwickler, Unternehmen und Endnutzer Zugang bekommen. Ein Datum für die breite Verfügbarkeit nennt die Ankündigung nicht.
Was taugen die Zahlen? Erstens: Die Benchmarks wurden laut Bericht ohne Schutzmechanismen gemessen. Wer Sicherheitsmodelle vergleicht, muss diese Bedingung mitlesen, weil Guardrails die Werte im Betrieb verändern. Zweitens: Ein Großteil der beeindruckendsten Ergebnisse stammt aus internen Tests, deren Methodik nicht öffentlich ist. Drittens: Die Kombination aus Schwachstellenanalyse, Reparaturvorschlag und tagelangem Durchhalten verschiebt die Rolle des Menschen — weg vom Suchen, hin zum Prüfen und Entscheiden. Bei Preisen und Benchmarks von Gemini 4 Carbon gilt: Die Einführungspreise von 2 und 10 Dollar pro Million Token sind eine Rechnung wert. Die eigentliche Frage ist nicht, was ein Modellaufruf kostet, sondern was ein falsch bewerteter Patch kostet. Ein Modell, das wie ein gründlicher Prüfer arbeitet, bleibt ein Werkzeug. Die Entscheidung liegt weiterhin beim Menschen.
Quelle: blog.google
