Gemini 4 Argon ist das neue Spitzenmodell von Google DeepMind, und am besten versteht man es daran, wo es gewinnt und wo nicht. Die Modellkarte, die ein Video von Two Minute Papers durchging, beschreibt ein großes, dünn besetztes Mixture-of-Experts-Modell, von Grund auf neu gebaut statt aus einem älteren Gemini feinabgestimmt, das Text, Bilder, Audio und Video liest und Text schreibt, mit bis zu 1M Token gemeinsamem Kontext. Google richtet es auf Softwareentwicklung, juristische und finanzielle Wissensarbeit sowie Cyberabwehr aus.
Das juristische Ergebnis sticht heraus. Auf Harveys Legal Agent Benchmark erreicht Argon 19,6%, gegenüber 3,8 bis 6,7% für GPT-6 Astra, Claude Fable 5.1 und Claude Opus 5.5. Der absolute Wert ist niedrig, was zeigt, wie schwer der Test ist; jedes Modell scheitert an den meisten Aufgaben. Lange Dokumente sind eine weitere Stärke, mit Argon nahe der Spitze bei Langkontext-Tests wie GraphWalks. Agentisches Programmieren ist die Schwachstelle: Bei Terminal-Bench 4.0, das Agenten auf der Kommandozeile prüft, kommt Argon auf 57,4% gegenüber 66,4% für Opus 5.5.
Unser Testbericht zu Argon liefert Zusammenhang, den das Startmaterial nicht bietet. Unabhängige Bewertungen von Artificial Analysis sehen es insgesamt gleichauf mit GPT-6 Astra und hinter Opus 5.5, verweisen auf eine niedrige Halluzinationsrate und messen einen langsamen Start von etwa 45,6 Sekunden bis zum ersten Token. Die API kostet zur Einführung 2 Dollar pro Million Eingabe-Token und 10 pro Million Ausgabe-Token bis zum 30. November 2026, danach 4 und 20. Wer zwischen Frontier-Modellen wählt, kann daraus ableiten: Argon für lange Verträge, Behördenunterlagen und Forschungsberichte, Claude oder GPT für Programmieragenten im Terminal.
Mehr Aufmerksamkeit als die Benchmark-Tabelle verdient der Sicherheitsteil. Nach seinem Frontier Safety Framework kann Google nicht ausschließen, dass Argon die kritische Fähigkeitsstufe für biologische Informationsrisiken oder für Cyberangriffe erreicht hat, und hat Sicherheitsnachweise erstellt, wonach das verbleibende Risiko unter diesen Stufen liegt. Dasselbe sagt es zu einer Schwelle für Tarnung und Situationsbewusstsein, die die Fähigkeit eines Modells betrifft, sich der Aufsicht zu entziehen. Das sind Googles eigene Einschätzungen des eigenen Modells.
Die üblichen Vorbehalte gelten. Die meisten Startwerte wurden mit Argons höchster Denkstufe gemessen, während das Standardmodell niedriger beginnt, und die Vergleiche beruhen auf von Google gewählten Tests. Nutzer in den Kommentaren zum Video beschreiben ein Modell, das sein Kontextfenster schnell füllt und schwer zu steuern ist, Anekdoten statt Belege. Der juristische Vorsprung ist groß genug, um zu zählen; ob er unabhängigen juristischen Bewertungen standhält, ist die offene Frage.