Google DeepMind: Gemini 4 Carbon überholt Claude Opus 5.5 im KI-Ranking

Google DeepMind hat mit Gemini 4 Carbon ein neuartiges Sprachmodell vorgestellt, welches im Artificial Analysis Intelligence Index v5 mit 59 Punkten die Spitzenposition einnimmt. Carbon verdrängt damit den bisherigen Spitzenreiter Claude Opus 5.5 von Anthropic, der zuvor mit 58 Punkten führte. Die Veröffentlichung des neuen Modells erfolgte bloß vier Wochen nach seinem Vorgänger Gemini 4 Argon.

Carbon erreicht 59 Punkte im Intelligence Index v5

Im Vergleich zu Argon, das im selben Index 50 Punkte erzielen konnte, legt Carbon um neun Zähler zu. Im Gesamtranking des Intelligence Index sichert sich Carbon in vier von neun Einzeldisziplinen den ersten Platz. Hinsichtlich der Kosten pro Aufgabe platziert sich Carbon mit 7,76 US-Dollar deutlich effizienter als Claude Opus 5.5 mit 10,04 US-Dollar, was einen Preisvorteil von etwa 23 % bedeutet.

Im separaten Coding Agent Index, der die Lösung von Programmieraufgaben mittels Agenten-Werkzeugen misst, verbucht Carbon in Kombination mit dem Tool Antigravity CLI 59 Punkte – und liegt damit drei Zähler hinter Claude Code mit Opus 5.5, das dort auf 62 Punkte kommt.

Wie die Idee funktioniert

Carbon ist nach offiziellen Angaben von Google DeepMind speziell für langfristige Entwickleraufgaben mit mehrtägigen Workflows konzipiert worden. Das System ist darauf ausgelegt, anspruchsvolle Projekte über ausgedehnte Intervalle autonom voranzutreiben, anstatt bloß punktuelle Prompts zu verarbeiten. Zu diesem Zweck verfügt Carbon über ein Kontextfenster von einer Million Tokens, wodurch es immense Mengen an Quellcode oder Dokumentationen simultan analysieren kann.

Beim Benchmark Terminal-Bench 4.0 erreicht Carbon eine Trefferquote von 64 %, während der Wert bei FrontierCode v1.1 bei 51 % liegt. Im Rahmen der Sicherheitsprüfung SEC-Bench Pro identifiziert das Modell laut Google in 88,2 % der Testfälle Schwachstellen im Code.

Der Weg von Argon zu Carbon

Zwischen dem Erscheinen der beiden Modellgenerationen vergingen lediglich vier Wochen. In dieser kurzen Spanne steigerte sich die Genauigkeit der Antworten von 48 % auf 58 %. Parallel dazu erhöhte sich jedoch die Halluzinationsquote von 4 % auf 11 %, weshalb Carbon statistisch häufiger inkorrekte Daten generiert als das Vorgängermodell. Im AA-Briefcase-Benchmark verbesserte sich der Elo-Wert von 1.483 auf 1.609 Punkte, was einem Zuwachs von 126 Elo-Punkten entspricht.

Ebenso optimiert zeigt sich Carbon bei der Abwehr von Prompt-Injection-Angriffen: In einem Gray-Swan-Benchmark sank die Quote der erfolgreichen Angriffe von 0,7 % bei Argon auf glatte 0,0 % bei Carbon.

Was Zahlen und Benchmarks über die Konkurrenz zeigen

Im Wissenstest AA-Omniscience verbucht Carbon 54 Punkte, während Claude Opus 5.5 48 Punkte generiert. Während die Konkurrenzmodelle GPT-6 Astra und Claude Opus 5.5 in der Hälfte aller Fälle zu erfundenen Antworten neigen, bleibt Carbons Fehlerrate mit einem Anteil von 11 % im direkten Vergleich extrem gering.

Ein markanter Unterschied offenbart sich beim Ressourcenbedarf: Für das Lösen einer Aufgabe im Intelligence Index beansprucht Carbon etwa 123.000 Output-Tokens, Claude Opus 5.5 dagegen 173.000 Tokens, was einem Mehrverbrauch von rund 41 % entspricht. In der Textarena von Arena.ai liegt Carbon mit 1.528 Punkten hauchdünn vor Argon mit 1.520 Punkten. In der Agent Arena erzielt Carbon über ein Volumen von mehr als 21.900 realen Sitzungen eine Nettoverbesserung von 16,2 % und belegt den zweiten Platz.

• Der reguläre Preis liegt bei 4 Euro pro eine Million Input-Tokens und 20 Euro pro eine Million Output-Tokens.
• Zum Marktstart gewährt Google einen Rabatt von 50 % auf diese Preise.
• Bereits zwischengespeicherte Input-Tokens kosten 95 % weniger als reguläre Anfragen.
• Bei Vals AI erreicht Carbon 70,36 % Genauigkeit und liegt damit nur hinter Claude Sonnet 5.5.

Was Nutzer jetzt von Carbon erwarten können

Gemäß den Daten von Google DeepMind führt Carbon die Vals-AI-Leaderboards für Finanzanalysen sowie juristische Recherchen an. Allerdings beanspruchen finanz- und steuerbezogene Aufgaben mit Carbon mehr als doppelt so viel Zeit wie mit Argon; eine durchschnittliche Recherche im Rechtsbereich dauert im Schnitt über 50 Minuten. Dies begründet sich darin, dass Carbon das 2,3-Fache an Reasoning-Tokens sowie 64 % mehr Output-Tokens erzeugt als der Vorgänger.