Gemini 4 Argon: gemischte Ergebnisse beim Programmieren

Google hat Gemini 4 Argon am 30. September 2026 angekündigt. Die Coding-Ergebnisse geben mir einen Grund, das Modell zu testen, bevor ich wechsle: Argon führt in Googles DeepSWE-Vergleich, liegt bei anderen Tests aber hinter Astra und Opus. Außerdem steigt das Ausgabelimit auf eine Million Token. Der Zugang beginnt über ein eingeschränktes Programm für Cyberabwehr. [1] [2]

Was zeigen die Coding-Benchmarks von Gemini 4 Argon?

Argon gewinnt den DeepSWE-Vergleich, doch schon Googles eigene Tabelle zeigt, dass die Führung von der Aufgabe abhängt. Ich würde es für Repository-Arbeit in die engere Auswahl nehmen, ohne es automatisch als Ersatz für Astra oder Opus zu betrachten. Die drei Zeilen unten erklären warum. [2]

Bei DeepSWE v1.1 erreicht Argon 77,9 %, vor Astra mit 74,1 % und Opus 5.5 mit 74,2 %. Das ist ein nützliches Ergebnis für Softwareentwicklung. FrontierSWE v2 setzt Astra allerdings mit 65,5 % vor Argon mit 55,0 %, während Opus bei Terminal-bench 4.0 mit 66,4 % vor Argon mit 57,4 % liegt. Aus den veröffentlichten Werten ergeben sich Abstände von 10,5 und 9,0 Prozentpunkten. [2]

Das ist relevant, weil „am besten beim Programmieren“ eine zu breite Schlussfolgerung aus dieser Tabelle wäre. Ein begrenztes Problem zu lösen und einen langen Auftrag abzuschließen kann unterschiedliche Fähigkeiten erfordern. Die Ergebnisse legen nahe, dass die Aufgabe bestimmt, welches Modell ich zuerst teste. Diese praktische Unterscheidung beschreibe ich auch in warum KI-Benchmarks die Modellqualität nicht vollständig erfassen.

Argons gute Ergebnisse reichen über Coding hinaus. Google nennt 51,3 % für Argon bei High auf AutomationBench, gegenüber 41,4 % für Astra bei Max und 42,5 % für Opus 5.5 bei Max mit Standard-Fallbacks. In Zapiers Evaluation wird ein abgelehnter Schritt an das Standard-Ersatzmodell des Anbieters weitergeleitet. Das macht automatisierte Abläufe interessant für einen Test. Der Wert beseitigt jedoch nicht die Schwächen, die in den Coding-Zeilen sichtbar sind. [2] [11]

Warum widersprechen sich die Coding-Benchmarks?

Die Benchmarks prüfen unterschiedliche Arbeit, und Google kombiniert außerdem Ergebnisse aus verschiedenen Evaluationsverfahren. Das Modell ist nur ein Teil des bewerteten Systems: Anweisungen, Werkzeuge und Zeitbudget können das Ergebnis verändern. Googles Evaluationsbericht liefert die nötigen Details zur Tabelle. [3]

Für DeepSWE hat Google Argon mit dem mini-swe-Harness getestet, also der Software, die dem Modell Werkzeuge bereitstellt und die Aufgabe ausführt. Die Konkurrenzwerte stammen aus der Benchmark-Rangliste oder den System Cards der Anbieter. Google verwendet für eigene Ergebnisse gewöhnlich das höchste Thinking-Level. pass@1 misst den Erfolg in einem Versuch, ohne Mehrheitsentscheidung zwischen parallel erzeugten Antworten. Diese allgemeine Regel hat Ausnahmen und gilt deshalb nicht für jede Zeile. [3]

Auch die Qualität der DeepSWE-Tests verdient Aufmerksamkeit. Epoch AI fand bei seiner Prüfung vom 7. September 2026 Fehler in mindestens 23 der 113 Aufgaben, bei denen gültige Lösungen als Fehlschläge gewertet werden konnten. Das belegt nicht, dass Argons Wert falsch ist, gibt mir aber einen Grund, den genauen Abstand vorsichtig zu behandeln, statt jede Aufgabe als verlässlichen Test vorauszusetzen. [10]

FrontierSWE ist eine wichtige Ausnahme. Proximals öffentliche Rangliste zeigt den Mittelwert aus fünf Durchläufen für jede der 34 Aufgaben, mit bis zu 20 Stunden pro Durchlauf in der Agentenumgebung proximus. Auch das schlechteste und beste Ergebnis werden angezeigt. Das ist eine andere Messung als die Erfolgsquote eines einzelnen Versuchs. Die langen Durchläufe sind nützlich, wenn es darum geht, ob ein Agent an einem anspruchsvollen Auftrag weiterarbeiten kann. [4]

Es gibt auch eine unabhängige Prüfung der allgemeinen Fähigkeiten. Im Stand vom 1. Oktober des Intelligence Index v4.3.2 gibt Artificial Analysis Argon bei High gerundet 53 Punkte, ebenso wie Astra bei Max. Opus 5.5 erreicht in seiner Max-Konfiguration mit dem Standard-Fallback 58. Die Einstellungen unterscheiden sich, und der Index kombiniert zehn Evaluationen, hauptsächlich mit englischem Text. Er ist keine Prozentangabe erledigter Repository-Aufgaben. Das ist ein weiterer Grund, Argon zu testen und dabei die einzelnen Coding-Ergebnisse im Blick zu behalten. [5] [7] [8]

Deshalb interessiert mich beim Vergleich von Claude und Codex für große Features die gesamte Testkonfiguration. Bekommt ein Durchlauf mehr Zeit oder andere Werkzeuge, kann das Ergebnis weiterhin nützlich sein. Es beantwortet aber eine andere Frage als ein Test, bei dem nur das Modell wechselt.

Hat Gemini 4 Argon ein Kontextfenster von einer Million Token?

Die Ankündigung einer Million Token betrifft die Ausgabe. Google sagt, dass Argon das Ausgabelimit von 64.000 auf eine Million Token erhöht und damit deutlich längere Antworten erzeugen kann. Das beschreibt, wie viel das Modell produzieren darf, kündigt aber kein neues Eingabe-Kontextfenster an. [1]

Der Unterschied ist praktisch relevant. Das Kontextfenster begrenzt das Material, mit dem das Modell in einer Anfrage arbeiten kann. Das Ausgabelimit begrenzt die erzeugte Menge. Längere Ausgaben könnten helfen, wenn ein Auftrag viel Code oder einen ausführlichen Bericht verlangt. Daraus ergibt sich aber nicht, wie viel von einem Repository als Eingabe bereitgestellt werden kann.

Das neue Limit ist etwa 15,6-mal so groß wie das bisherige mit 64.000 Token. Das ist eine Rechnung aus Googles Zahlen, keine Aussage darüber, dass eine Aufgabe 15,6-mal länger läuft oder entsprechend zuverlässiger wird. Ein Ausgabelimit sagt mir, wann die Generierung stoppen muss, nicht ob alles davor lesenswert ist.

Zuerst würden mich Aufgaben interessieren, die bisher vor einem vollständigen Ergebnis abgebrochen sind. Mein Kontextmanagement für Coding-Agenten würde ich beibehalten: Mehr Generierungsbudget ist kein Grund, die Anweisungen und Repository-Informationen wegzulassen, die den Auftrag verständlich machen. Am Ende der Evaluation stünde weiterhin eine überprüfbare Änderung und keine Zielzahl von Token.

Wer kann Gemini 4 Argon zum Start nutzen?

Der Zugang beginnt bei vertrauenswürdigen Cyberabwehr-Teams in Googles Fairwind-Programm. Google kündigt eine spätere breitere Verfügbarkeit an, zuerst für zahlende API-Kunden und Google-AI-Ultra-Abonnenten, nennt aber kein Datum für diese nächste Stufe. Am 1. Oktober 2026 ist das eine schrittweise Freigabe, kein allgemeiner Entwicklerzugang. [1]

Google DeepMind beschreibt Fairwind als Programm für frühen Zugang zugelassener Organisationen, die an defensiver Sicherheit und Forschung arbeiten. Dazu können Regierungen und Betreiber kritischer Infrastruktur gehören, mit Zugangskontrollen und Beschränkungen für die Nutzung. Das Programm erfordert eine eigene Zulassung. Mit einem gewöhnlichen Bezahlkonto bekommst du deshalb noch keinen Zugang zur ersten Argon-Freigabe. [6]

Für den Cyber-Schwerpunkt gibt es auch ein Benchmark-Ergebnis. Googles Tabelle nennt 68,0 % für Argon bei CWE-bench v1, gleichauf mit Astra und knapp über Opus 5.5 mit 67,0 %. CWE-bench prüft das Finden und Beheben von Sicherheitslücken: Argon läuft in Antigravity, Astra in Codex und Opus in Claude Code. Die Werte vergleichen Modelle zusammen mit ihren Agentenwerkzeugen. Sie belegen daher ein gutes Ergebnis des getesteten Argon-Systems, keinen isolierten Modellvorsprung. [2] [9]

Für Entwickler, die jetzt Werkzeuge auswählen, ist die Zugangsbeschränkung so relevant wie ein vielversprechender Wert. Ich kann einen Vergleichsauftrag vorbereiten, aber noch keine Ankündigung in meinen Produktionsablauf einsetzen. Bevor ich eine Integration ändere, würde ich auf den dokumentierten Zugang und die Modellkonfiguration warten.

Was wird Gemini 4 Argon kosten?

Google kündigt API-Einführungspreise von 2 Dollar pro Million Eingabe-Token und 10 Dollar pro Million Ausgabe-Token an. Danach steigen sie auf 4 und 20 Dollar. Für gecachte Eingaben gibt es 95 % Rabatt. Das sind angekündigte Preise für den kommenden breiteren Zugang; Google nennt keine Dauer der Einführungsphase. [1]

Die späteren Standardpreise pro Token sind doppelt so hoch wie die Einführungspreise. Wiederkehrende Arbeit würde ich deshalb mit 4 und 20 Dollar kalkulieren. Eine hypothetische Anfrage mit 100.000 ungecachten Eingabe-Token und 10.000 Ausgabe-Token kostet nach diesen Sätzen zunächst 0,30 Dollar und später 0,60 Dollar. Das sind Berechnungen der Token-Gebühr, keine gemessenen Aufgabenkosten.

Durch das Ausgabelimit von einer Million Token wird auch die Ausgabeseite der Rechnung deutlicher. Eine Million abgerechnete Ausgabe-Token würden zum Einführungspreis 10 Dollar und danach 20 Dollar kosten, zuzüglich Eingabe. Das Modell muss dieses Limit nicht bei jeder Anfrage erreichen. Ich würde ein Generierungsbudget passend zum Auftrag setzen, statt die längste erlaubte Antwort zur bevorzugten Antwort zu machen.

Diese Unterscheidung steckt auch hinter den niedrigeren gemessenen Aufgabenkosten von GPT-6.1 Sol: Der Preis pro Token und die Kosten abgeschlossener Arbeit sind verschiedene Messungen. Argons Preis wird aussagekräftiger, sobald eine Evaluation erfasst, wie viele Token für ein akzeptiertes Ergebnis nötig sind.

Was würde ich beim breiteren Zugang testen?

Ich würde eine Aufgabe wählen, die lang genug ist, um die Unterschiede zwischen den Coding-Benchmarks sichtbar zu machen, und den Aufwand bis zu einem akzeptierten Ergebnis messen. Argons DeepSWE-Wert rechtfertigt diesen Test. Die schwächeren FrontierSWE- und Terminal-bench-Ergebnisse sagen mir, dass ich die fortgesetzte Ausführung beobachten sollte, statt nur die erste Antwort zu bewerten.

Der Vergleich würde beim selben Repository-Commit beginnen, mit gleichen Anweisungen, Werkzeugen und Abnahmekriterien. Ich würde einen begrenzten Bugfix und eine größere Änderung mit mehreren Schritten aufnehmen, Durchläufe wiederholen und Fehlschläge in den Ergebnissen behalten. Neben den API-Kosten zählt die Review-Zeit, denn ein billiger Patch, der umfangreiche Reparaturen braucht, ist keine billig erledigte Arbeit.

Außerdem würde ich Fertigstellung und Umfang getrennt betrachten. Eine längere Antwort hilft, wenn sie den fehlenden Teil des Auftrags liefert. Fügt sie unbeteiligten Code hinzu, erzeugt sie zusätzlichen Review-Aufwand. Ich möchte wissen, ob Argon die größere Änderung zum Standardpreis mit weniger Korrekturen abschließen kann. Diesen Vergleich würde ich vorbereiten, während der Zugang erweitert wird.