Google DeepMind launcht Gemini 4 Argon für komplexe Coding-, Wissenschafts- und Enterprise-Aufgaben

Google DeepMind hat die weltweite Verfügbarkeit von Gemini 4 Argon angekündigt, einem Frontier-Modell für komplexe, mehrstufige Aufgaben in den Bereichen Programmierung, Finanzen, Recht, Cybersicherheit und Wissenschaft.

Das Modell ist ab dem 13. Oktober 2026 für Entwickler und Unternehmen über die API in AI Studio und der Gemini-Plattform verfügbar. Google AI Ultra-Abonnenten können es in Google Antigravity nutzen, Google AI Ultra- und Pro-Abonnenten können darauf in der Gemini-App und im AI Mode in der Suche zugreifen.

Koray Kavukcuoglu, SVP von Google DeepMind und Chief AI Architect bei Google, erklärte, die Veröffentlichung gebe Entwicklern, Unternehmen, Wissenschaftlern und Verbrauchern Zugang zum neuesten Frontier-Modell des Unternehmens.

Google erklärte, Argon sei für „Deep Work“ in realen Anwendungsbereichen konzipiert. Das Modell übertreffe andere Frontier-Modelle in Benchmarks über mehrere Fachgebiete hinweg und belege Platz 1 im Vals Index, der die Modellleistung in kritischen Wirtschaftssektoren wie Finanzen, Programmierung, Rechts- und Steuerwesen misst.

Der Einführungspreis beträgt 2 US-Dollar pro Million Input-Tokens und 10 US-Dollar pro Million Output-Tokens, wobei gecachte Input-Tokens mit 95 % Rabat angeboten werden. Nach Ende der Einführungsphase am 30. November 2026 gelten 4 US-Dollar pro 1 Million Input-Tokens und 20 US-Dollar pro 1 Million Output-Tokens. Die Preise gelten für das für den öffentlichen Zugang vorgesehene Argon-Modell.

Google zufolge nutzen Teams Argon bereits, um große Codebasen zu refaktorieren und zu optimieren, Workflows in Recht, Finanzen und Wissenschaft zu verbessern, Cybersicherheitslücken zu finden und zu schließen sowie Forschung in Quantencomputing, Kernfusion und Lebenswissenschaften zu unterstützen.

Engineering und Softwareentwicklung

Google erklärte, Argon sei intern für anspruchsvolle Engineering-Projekte eingesetzt worden. In Antigravity half das Modell Teams, agentische Code-Einreichungen um mehr als 35 % zu steigern und Code-Rollbacks um fast ein Drittel zu reduzieren.

Bei Chrome half Argon den Ingenieuren, die zentrale Webseiten-Verarbeitung von einem Legacy-Ordner mit etwa 6 Millionen Zeilen Browser-Funktionen innerhalb der 40-Millionen-Zeilen-Codebasis von Chromium zu trennen. Durch die gleichzeitige Erzeugung mehrerer sauberer Code-Änderungen das Modell, ein architektonisches Refactoring über hunderte Dateien in Wochen statt Monaten abzuschließen.

Google erklärte, die Arbeit solle es ermöglichen, dass live Webseiten flüssig zwischen Tabs, Seitenpanels und schwebenden Fenstern wechseln können, ohne neu zu laden, und so eine ganze Kategorie von Browser-Abstürzen für die Milliarden Chrome-Nutzer beseitigen.

Argon wurde auch vom Team hinter Googles Open-Source-Agent Development Kit (ADK), einem Framework für Enterprise-Agents, eingesetzt. Die Ingenieure gaben dem Modell ihr .agents/skills-Regelwerk und ein einAbsatz-Ziel: Framework-Overhead eliminieren, ohne bestehende Anwendungen zu beschädigen.

Während einer autonomen Nachtarbeit identifizierte Argon Optimierungen, die inzwischen im google/adk-python-Repository live sind. Google erklärte, die Änderungen hätten die Vorbereitungszeit für In-Memory-Sessions in langen Sessions um 40 % reduziert und die Cold-Import-Geschwindigkeit um 21 % verbessert. Das Unternehmen veröffentlichte einen Engineering-Deep-Dive zu dieser Arbeit.

Forschende nutzten Argon in Antigravity zudem, um xTB (Semiempirical Extended Tight-Binding) zu optimieren, ein Open-Source-Quantenchemie-Paket zur Vorhersage molekularer 3D-Strukturen und zum Screening von Wirkstoff- und Materialkandidaten. Google erklärte, xTB sei damit bis zu 2,3-mal schneller bei der Vorhersage molekularer Strukturen und 1,8-mal schneller bei Konformer-Suchen geworden. Die Änderungen wurden in das offizielle xTB-GitHub-Repository beigesteuert.

Google meldete zudem eine 2,85-fache End-to-End-Inferenzbeschleunigung für seine offenen Gemma-Modelle auf einer A100 mit vLLM. Der Durchsatz für Gemma 4 E2B stieg von etwa 37.900 auf über 108.000 Tokens pro Sekunde, mit 100 % Token-Parität und ohne Qualitätseinbußen. Google erklärte, die Arbeit – einschließlich Attention-Tuning und Speculative Decoding – sei in wenigen Tagen statt der üblicherweise erforderlichen Monate abgeschlossen worden. Die zugehörigen Upstream-vLLM-Pull-Requests enthalten die Änderungen.

3D-Visualisierung und interaktive Anwendungen

Google erklärte, Argon verbessere im Vergleich zu früheren Gemini-Modellen räumliches Denken, mathematische Präzision und visuelles Coding. Mit Slash-Befehlen wie /goal, Multi-Agent-Loops und Custom Skills in Antigravity haben Google-Mitarbeiter das Modell genutzt, um 3D-Visualisierungen, hochauflösende Spiele und im Browser gerenderte interaktive Animationen mit reinem Code zu prototypisieren.

In einer Demonstration erstellte Argon eine detaillierte Pagode in Blender durch Multi-Agent-Visual-Critique-Loops. Das Modell modellierte autonom einen Tempelkomplex mit mehreren Gebäuden, fotorealistischer Architektur, Vegetation und Beleuchtung.

In einem weiteren Beispiel verwandelte Argon Fotografien eines echten Schreibtischs in ein spielbares Miniatur-Rennspiel. Blender MCP wurde verwendet, um Schreibtisch, Raum und Rennstrecke zu modellieren und auf Kollisionen zu prüfen; Nano Banana lieferte die Texturen; und Three.js übernahm Physik, Custom-Shader und Motorengeräusche von Gemini Omni Flash. Google stellte die Anwendung über Google AI Studio bereit.

Argon schrieb zudem Python-Skripte, um ein komplexes 3D-Spiel prozedural zu modellieren, zu riggen, zuieren und physikalisch basiert zu rendern. Anschließend verband es das Projekt im Web mit Three.js, GLSL-Shadern, Zerbruchphysik und einer Einzelspieler-KI. Die Anwendung ist in Google AI Studio verfügbar.

Ohne externe Bibliotheken und mit 100 % reinem Python erstellte Argon eine eigene 3D-Ray-Tracing-Engine mit eigenem Videotool und Audiomischer. Das System baute und dokumentierte eine sonnenbeschienene Bibliothek von Grund auf und erstellte, vertonte und montierte ein Video mit Gemini 3.8 TTS-Voiceover und Musik von Lyria 3.5. Google veröffentlichte den Quellcode.

In einer weiteren Antigravity-Demonstration startete Argon mit einem einzelnen Nano-Banana-Bild und steuerte Blender MCP in einer autonomen Schleife, um Kameraraster auszurichten, gotische Architektur zu modellieren und audio-reaktive Beleuchtung für eine fertige 3D-Szene zu inszenieren.

Geschäfts- und professionelle Workflows

Google erklärte, Argon kombiniere fortschrittliches Reasoning, visuelle Wahrnehmung, breiteres Domänenwissen und stärkere Schreibfähigkeiten für geschäftskritische professionelle Workflows. Das Modell kommuniziere klar, folge Stilvorgaben konsistenter als frühere Gemini-Modelle, antworte direkter mit weniger Absicherungen, vermeide unnötige Wiederholungen und lasse Floskeln weg.

Enterprise-Kunden und Startups im Early-Access-Programm von Google nutzen Argon laut Google für multimodales Dokumentenverständnis, Längsschnitt-Datenanalyse und interaktive analytische Sandboxes bei strikter Grounding-Verbindung.

Eine Demonstration umfasste rund 50 GB Airborne-LiDAR-Scans, GIS-Raumvektoren, CAD-Zeichnungen der Library of Congress und Archive des National Park Service. Argon synthetisierte das Material, um 3D-Modelle des Chaco Canyon zu rekonstruieren und fragmentierte archäologische Aufzeichnungen in erkundbare digitale Kulturerbe-Stätten zu verwandeln. Das Projekt ist über Google AI Studio verfügbar.

In der Gemini-App kann Argon einen unstrukturierten Ordner mit Projektkontext in ein sauber formatiertes Angebots-Deck für einen Kunden umwandeln – unter Verwendung eines Custom Skills. Gemini kann das Deck dann entwerfen und per E-Mail senden, während ein geplanter Workflow für künftige Kundenanfragen erstellt wird.

Google zeigte zudem, wie Argon Daten aus drei Open-Source-Repositories zu einem medizinischen Lernwerkzeug kombiniert. Das Werkzeug erlaubt es Nutzern, anatomische Schichten abzuziehen, klinische Metad einzusehen und Biomechanik in einer 3D-Erkundung des menschlichen Körpers auszulösen.

In der Gemini-macOS-App generierte Argon mit Antigravity und Nano Banana Design-Iterationen für neue Sofabeine und erstellte anschließend eine 3D-druckbare Datei. Ausgehend von einer Maßskizze und einem Foto des Sofas baute das Modell das Teil in der passenden Größe.

Bei Isomorphic Labs wird Argon eingesetzt, um Forschungs-Workflows in Wirkstoffentwicklung und -design zu beschleunigen. Google erklärte, das Modell könne komplexe PDFs und Patente synthetisieren, um relevante Informationen zu extrahieren, und so einen typischerweise wochenlangen Prozess auf wenige Stunden reduzieren.

Cybersicherheit und wissenschaftliche Forschung

Forschende, Ingenieure und Sicherheitsexperten nutzen Argon laut Google in Cyberabwehr, Wissenschaft, Mathematik und Robotik. Anwendungen umfassen das Testen von Hypothesen, die Prüfung kritischer Codebasen und formaler Beweise sowie das Aufdecken von Zero-Day-Schwachstellen und Logikfehlern.

Fairwind-Programm und Wiz

Google erklärte, die Erweiterung auf hunderte weitere Partner im Fairwind-Programm zu beginnen, das vertrauenswürdigen Verteidigern Cyber-Fähigkeiten bereitstellt.

Wiz nutzt Argon in seiner Initiative „Scan for Good“, die kritische Infrastruktur im öffentlichen Interesse und kostenlos schützt. Laut Google setzte Wiz den Early Access zu Argon in mehreren hochriskanten Bereichen ein.

Im Rahmen eines langjährigen Cyber-Resilienz-Programms mit einer Bundesbehörde half Argon, eine Schwachstelle proaktiv zu identifizieren und zu beheben, die sensible Regierungsdaten und Infrastruktur hätte offenlegen können. Google erklärte, dieser Einsatz habe dazu beigetragen, die Offenlegung kritischer Entwicklungsdetails im Sicherheitssektor und unbefugten Zugriff auf spezialisierte Modelle zu verhindern.

Wiz nutzte Argon auch zum Schutz kritischer Gesundheitsinfrastruktur. Durch die Verkettung komplexer Schwachstellen half das Modell, einen öffentlichen Datei-Download-Bypass zu entdecken und schnell zu beheben, der einen Master-Key offenlegte und Administratorzugriff gewährte. Google erklärte, Argon sei über das Aufdecken der Schwachstelle hinausgegangen und habe hunderttausende private Patientenakten proaktiv geschützt.

Quantencomputing

Google-Forschende nutzten Argon zur Unterstützung von Arbeiten zur Quantenfehlerkorrektur und Algorithmusdesign. Damit Fehler-Decoder mit Quantenhardware in Echtzeit Schritt halten können, übersetzte Argon eine interne Version von AlphaQubit, Googles ML-Decoder für Quantenfehlerkorrektur, in einen einzelnen hochoptimierten Hardware-Kernel.

Google erklärte, der Kernel habe den Inferenzdurchsatz nahezu verdoppelt, was die Bereitstellung größerer Modelle und die Skalierung auf größere Quantengeräte bei Einhaltung strikter Echtzeit-Schwellenwerte ermögliche.

Argon wurde auch eingesetzt, um die Raumzeit-Kosten von Quanten-Subroutinen zu senken. Für arcsin, einen Baustein aktueller Quantensimulationsalgorithmen, reduzierte eine von Argon geschriebene und in Lean formal verifizierte Implementierung die Raumzeit-Kosten um mehr als das Hundertfache verglichen mit einem veröffentlichten Quanten-CORDIC-Bwert. Google beschrieb die Arbeit als einen Schritt Richtung einer Standardbibliothek optimierter Quantenschaltkreise. Die zugehörige Forschung ist in einem arXiv-Paper verfügbar.

Kernfusion

Stellaratoren sind hochkomplexe Maschinen und ein führender Kandidat für saubere Fusionsenergie, doch die Optimierung ihrer dreidimensionalen Magnetfelder ist berüchtigt schwierig. Seit 1967 galt eine Hypothese, die als „Grads Vermutung“ bekannt ist, wonach exakte mathematische Lösungen für diese Felder unmöglich seien – bis kürzlich Gegenbeispiele gefunden wurden, auch durch Professor Matt Landreman (University of Maryland).

Google erklärte, ein Team zusammen mit Landreman habe nun eine breitere Klasse von Gegenbeispielen zu Grads Vermutung identifiziert. Die neuen Lösungen liefern der Fusionsgemeinschaft verlässliche Benchmarks zum Testen ihrer Stellarator-Simulationscodes, die wertvolle Werkzeuge für künftige Designs sind.

Forschung zu seltenen Krankheiten

Forschende bei Gamow Labs nutzten Argon zur Analyse de-identifizierter Genome von Neugeborenen mit seltenen Entwicklungsstörungen der Lunge. In einem Fall identifizierte das Modell eine chromosomale Umbildung, die Standard-Software jahrelang übersehen hatte, und erklärte, warum sie unentdeckt geblieben war.

Bei privaten Gamow-Labs-Evaluationen auf Basis realer klinischer und Labor-Daten erreichte Argon 57 % auf RareBench (Unterstützung bei der Diagnose seltener Krankheiten) und 52,2 % auf LabBench (Wet-Lab-Reasoning). Google erklärte, die Ergebnisse könnten zu schnelleren Diagnosen für Familien mit seltenen Erkrankungen beitragen. Weitere Informationen bieten Gamow Labs und dessen Benchmarks-Seite.

Enzymdesign

Das Engineering von Enzymen mit präziser Reaktivität ist notorisch langsam und erfordert oft monatelanges Modell-Tuning und Kandidaten-Screening. Serin-Esterasen sind eine Enzymklasse, die Esterbindungen in zielgerichteten Molekülen spaltet und in Recycling sowie der Herstellung von Pharmazeutika, Biokraftstoffen und Waschmitteln weit verbreitet ist.

Google-Wissenschaftler arbeiteten mit Argon am Design von Serin-Esterasen, die auf den Benchmark-Molekül 4MU-Acetat abzielen, das unter UV-Licht leuchtet, sobald seine Esterbindungen gespalten sind. In wenigen Stunden sammelte Argon relevante Daten, führte Modell-Tuning durch und identifizierte mehrere biochemiebasierte Filter, um einen finalen Satz von fünf neuartigen Designs zu erreichen.

Nachfolgende Labor Tests bestätigten robuste katalytische Aktivität über alle Designs hinweg. Google erklärte, die Arbeit zeige das Potenzial für eine rasche Beschleunigung des Enzym-Engineerings in Bereichen wie Biomanufacturing, grüner Chemie und Wirkstoffentwicklung.

Google bietet 10.000 Wissenschaftlern für sechs Monate kostenlosen Zugang zur höchsten Nutzungsstufe in Google Antigravity. Die Onboarding erfolgt fortlaufend, vorbehaltlich von Berechtigung, Kapazität Auswahl. Bewerbungen sind möglich.

Robotik

Google erklärte, Argon kombiniere visuell-semantisches Reasoning, tiefes physikalisches Verständnis und autonome Codegenerierung, um neue Workflows über den Robotik-Stack hinweg zu ermöglichen und Fortschritte in Richtung physischer AGI zu beschleunigen. Auf dem Embodied-Reasoning-Benchmark (ERQA), der die Fähigkeit eines Modells testet, physische und räumliche Probleme in 3D-Umgebungen zu verstehen und zu lösen, erreichte Argon 87 %. Google erklärte, dies liege über den Ergebnissen anderer Frontier-Modelle beim reinen Reasoning. Der ERQA-Benchmark ist öffentlich verfügbar.

In einem internen Test lernte Argon eine außerhalb der Verteilung liegende physische Fähigkeit allein durch Beobachtung eines Rohvideos einer Person beim Cornhole-Spielen. Das Modell kartierte die räumlichen Koordinaten der Umgebung, berechnete die erforderlichen Ganzkörper-Gelenkbewegungen und erstellte autonom den Simulationscode.

Als das System auf Apptroniks Apollo-Humanoiden übertragen wurde, traf der Roboter sieben Schüsse in Folge in einem realen Test. Google nannte den Prozess eine „Video-to-Sim-to-Real“-Pipeline und erklärte, sie komprimiere wochenlanges manuelles Simulations-Modeling auf wenige Stunden, indem gewöhnliche Videos in eine skalierbare Trainingsumgebung für Robotik verwandelt werden. Apptronik ist das Unternehmen hinter dem Apollo-Humanoiden. Google lieferte weitere Details in seinem Entwickler-Blog.

Verantwortungsvolle und sichere Entwicklung von Argon

Google erklärte, Sicherheit sei ein Grundpfeiler seines Modellentwicklungsprozesses. Da Argon ein hochfähiges Modell ist, arbeitete das Unternehmen mit Drittpartnern zusammen, um bestimmte Fähigkeiten und Schutzmaßnahmen zu messen. Google beschrieb Gemini 4 Argon als das Modell mit dem bislang umfassendsten Sicherheits- und Schutzstack.

Im Rahmen von Googles Frontier Safety Framework bewertete das Unternehmen Argons Fähigkeiten in mehreren Bereichen und setzte ein mehrschichtiges Verteidigungssystem aus Jailbreak-Resistenz, Überwachung und Durchsetzung ein. Google erklärte, externe Bio-Red-Teams konnten weniger als 1 % der getesteten biologischen Unteraufgaben freischalten.

Bei gefährlichen Anfragen – von der Erstellung von Exploit-Code bis zur Hilfe bei gefährlichen biologischen Materialien – sei Argon deutlich weniger geneigt als frühere Modelle, schädliche Anfragen zu erfüllen. Auf einem adversen Testsatz zur Belastungsprobe des Modells sanken Verstöße um fast das Doppelte verglichen mit früheren Gemini-Modellen.

Google trainierte Argon zudem, Systemgrenzen zu respektieren, negative Ergebnisse ehrlich zu berichten und vor irreversiblen Schritten auf menschliche Bestätigung zu warten. Bei Coding-Benchmarks, bei denen Modelle keinen Anreiz hatten, sich zurückzuhalten, sanken Umgehungsversuche auf 2 % – Googles bestes Ergebnis im Vergleich zu früheren Gemini-Modellen.

Als zusätzliche Verteidigungsschicht baute Google einen automatisierten Misalignment-Monitor, der die schrittweisen Überlegungen und Aktionen eines Agents liest, um unbeabsichtigte Workarounds in Echtzeit zu erkennen und zu blockieren. Der Monitor wurde in internen Deployments, Fähigkeitsevaluationen und Reinforcement-Learning-Trainingsläufen eingesetzt. Google erklärte, während des Trainings wurde die Gedankenführung des Modells bewusst nicht bestraft damit ihr Reasoning transparent und überwachbar bleibt.

Argon wurde auch gegen Prompt Injection getestet. Agents, die Webseiten durchsuchen, E-Mails lesen oder Code prüfen, können auf versteckte bösartige Anweisungen stoßen, die ihre Aufgaben kapern sollen. Durch adverses Training und automatisiertes Red Teaming führt Argon den Gray-Swan-Indirect-Prompt-Injection-Benchmark an, wobei die Erfolgsquote von Angriffen über 15 adaptive Versuche auf 0,7 % reduziert wurde.

Weitere Informationen finden sich in der Gemini 4 Argon Model Card.

Verfügbarkeit und Zugang

Argon unterstützt über die Gemini API ein branchenführendes Limit von 1 Million Tokens für einheitlichen Input-Output. Google erklärte, Entwickler und Unternehmen sollten die Dokumentation zum neuen Continuation-Protocol prüfen und ihre Systeme entsprechend konfigurieren. Dokumentation ist für Long Decoding und Gemini 4 Argon auf Googles Enterprise-Agent-Plattform verfügbar.

Googles globaler Rollout umfasst folgende Zugangsoptionen:

• Entwickler: Bauen Sie mit der kostenpflichtigen Gemini-API-Stufe in AI Studio und Android Studio. Google AI Ultra-Abonnenten können Argon auch in Google Antigravity und AI Studio ausprobieren.
• Unternehmen: Nutzen Sie Argon in Gemini für Unternehmen, über die API und in Google Antigravity.
• Privatanwender: Google AI Ultra- und Pro-Abonnenten können Argon in der Gemini-App und im AI Mode in der Suche nutzen.
• Wissenschaftler und Forschende: Bewerben Sie sich für sechs Monate kostenlosen Zugang zur höchsten Nutzungsstufe von Google Antigravity, vorbehaltlich von Berechtigung, Kapazität und Auswahl.
• Cybersecurity-Verteidiger: Bewerben Sie sich für das Fairwind-Programm, um fortlaufend Zugang zu Argon ohne Cyber-Guardrails zu erhalten.

Google erklärte, Gemini 4 Argon sei die erste Veröffentlichung der Gemini-4-Familie, weitere Modelle würden folgen.

Das Unternehmen wies darauf hin, dass die Ansichten im Blog die der externen Partei sind und nicht die Ansichten von Google darstellen. Die ursprüngliche Ankündigung wurde von Google DeepMind veröffentlicht.