Ein einfacher 6-DoF-Arm soll eine Kiste greifen und ablegen – beim ersten Versuch braucht er 58,9 Sekunden, beim dritten nur noch 17,4 Sekunden, und die Kiste steht mittig. Google führt diesen Sprung in der Robotik-Demo zu Gemini 4 Argon auf Versuch und Selbstreflexion zurück: Das Modell verbessere an dem Arm iterativ Tempo und Platzierungsgenauigkeit. Der Zwischenschritt zeigt, dass es nicht geradlinig lief: In Iteration 2 waren es 22,9 Sekunden, dabei streifte der Arm laut Google den Rand der Box. Genau dieser Fehler macht die Demo interessant – ein Modell, das ihn bemerkt und im nächsten Anlauf korrigiert, ist für mehrstufige Aufgaben relevanter als eine geglückte Einzelvorführung. Das teilen Developers und blog.google mit.

Die Demo deckt nur einen der vier Bereiche ab, die Google für Argon im Robotik-Lebenszyklus nennt: Robotersteuerung, Real2Sim, physikalisches Verständnis sowie Forschung und Selbstverbesserung. Gezeigt wird ein einzelner Ablauf an einem einfachen Arm, keine Serie über verschiedene Roboter oder Aufgaben hinweg. Ob sich der Lerneffekt auf andere Arme, Greifer oder Aufgaben übertragen lässt, sagt die Demonstration nicht.

Mehr als Robotik-Demos

Weg von der Robotik: Google führt für Argon einen neuen Spitzenwert von 77,9 Prozent auf DeepSWE v1.1 an, einem Benchmark für reale, langfristige Software-Engineering-Aufgaben. Auf CWE-bench v1, das die Behebung von Sicherheitsschwachstellen bewertet, kommt das Modell dem Blogeintrag zufolge mit 68 Prozent auf den geteilten ersten Platz. Beide Werte stammen aus Googles eigener Ankündigung und sagen nichts über dein Repository aus.

Auch außerhalb der Softwareentwicklung nennt Google ein Ergebnis: Bei der Optimierung eines Quantenalgorithmus habe Argon in einem Beispiel die veröffentlichte Baseline binnen weniger Minuten um 40 Prozent übertroffen. Das ist ein Einzelfall aus dem Herstellertext, keine Messreihe über verschiedene Probleme.

Für dich als Entwickler heißt das: Die Zahlen deuten auf mehrstufige Arbeit an Code und Sicherheitslücken hin, nicht auf Alltagsaufgaben. Ob der Vorsprung im eigenen Projekt trägt, musst du dort selbst prüfen – die Benchmarks tun es nicht für dich.

Zugang, Preis und Sicherheitsrahmen

An Gemini 4 Argon kommst du derzeit nur über zwei Wege: In Google Antigravity ist das Modell laut Google für Abonnenten von Google AI Ultra auswählbar, und dort lässt es sich als aktives Modell für komplexe Planung, Zielausführungen und Multi-Agenten-Orchestrierung einsetzen. Wer programmatisch arbeiten will, findet gemini-4-argon laut Google in der kostenpflichtigen Stufe der Gemini API in AI Studio, im Interactions API und mit Day-One-Unterstützung in den google-genai SDKs. Dass die Gemini API den Zugang über nachgelagerte Anbieter regelt und die jeweiligen Nutzungsbedingungen greifen, hält die Modellkarte von Google DeepMind fest.

Die Modellkarte beschreibt den API-Zugang ausdrücklich als Weg zu nachgelagerten Anbietern, nicht als direkte Zusage an Endnutzer.

Für wen sich der Aufwand lohnt

TechRadar rät den meisten Gemini-Nutzern, vorerst bei den weniger intensiven Modellen zu bleiben und Gemini 4 Argon nur für Aufgaben vorzubehalten, bei denen sie selbst Schwierigkeiten hätten. Für das Umschreiben einer E-Mail oder das Vorschlagen von Abendessen-Ideen sei Argon mit seinen zusätzlichen Schlussfolgerungsfähigkeiten wahrscheinlich nicht nötig, ergänzt die Redaktion. Der Vorteil müsste laut TechRadar aus dem Umgang mit ungewöhnlich komplexen Kombinationen von Einschränkungen kommen.