Zwei Zahlen werden dieser Tage gern verwechselt: der Tokenpreis von Gemini 4 Carbon und die Rechnung für einen vollständigen Durchlauf bei MathArena. Wer beide auseinanderhält, versteht, warum ein Modell einen Wettbewerb gewinnen und trotzdem das teuerste Angebot der Tabelle sein kann.
Was Gemini 4 Carbon in MathArena gewinnt
Am 14. November hat The Decoder die Auswertung veröffentlicht, und oben steht ein Modell, das nicht von OpenAI kommt. Gemini 4 Carbon verdrängt GPT-6.1 Sol von Platz eins, Zweiter wird Claude Fable 5.2.
MathArena ist kein Google-Benchmark. Es ist eine unabhängige Sammlung von Mathematikaufgaben, die bewusst so gebaut sind, dass ein Modell mit sauberem Rechnen allein nicht durchkommt. Bewertet wird das Endergebnis, nicht der Weg dorthin.
Die zwei Preise von Gemini 4 Carbon
Der Listenpreis ist der unspektakuläre Teil. Google verlangt für Gemini 4 Carbon vier Dollar je Million Eingabetokens und zwanzig Dollar je Million Ausgabetokens, im Einführungspreis zwei und zehn Dollar. Das sind exakt die Sätze, die auch für Gemini 4 Argon gelten.
Die 15-mal höhere Summe entsteht woanders. Sie beschreibt einen einzigen vollständigen Testlauf bei MathArena, gerechnet mit den Denkeinstellungen des Tests: 15,70 Dollar für Gemini 4 Carbon, 1,07 Dollar für GPT-6.1 Sol.
Wer die beiden Zahlen gleichsetzt, hält das Modell für unbezahlbar, wer sie trennt, sieht eine Preisfrage, die von der Aufgabe abhängt und nicht vom Tarif.
MathArena misst Ergebnisse, nicht Rechenzeit
Zwischen Punktzahl und Rechnung liegt der eigentliche Befund. Die vier Modelle der Tabelle liegen bei den Kosten um den Faktor vierzig auseinander, bei der Genauigkeit um gut 31 Punkte. Ein Modell, das lange rechnet und viele Zwischenschritte prüft, bekommt denselben Punkt wie eines, das in zwei Minuten zum Ziel kommt.
Modell | MathArena | Kosten je Lauf |
|---|---|---|
Gemini 4 Carbon | 85,4 % | 15,70 Dollar |
Claude Fable 5.2 | 82,8 % | 40,20 Dollar |
GPT-6.1 Sol | 80,6 % | 1,07 Dollar |
Kimi K3.1 Pro | 54,3 % | 3,70 Dollar |
The Decoder gibt für Gemini 4 Carbon plus oder minus 3,0 Prozentpunkte an, für Claude Fable 5.2 plus oder minus 5,3 und für GPT-6.1 Sol plus oder minus 2,7. Der Vorsprung von 2,6 Punkten liegt damit im Bereich der Fehlergrenzen.
Warum Claude Fable 5.2 den zweiten Platz teuer bezahlt
Anthropic hat für diesen Lauf 40,20 Dollar je Aufgabe veranschlagt, mehr als das Doppelte von Gemini 4 Carbon und fast das Vierzigfache von GPT-6.1 Sol. Das ist kein Argument gegen das Modell. Im Intelligence Index von Artificial Analysis führt Claude Fable 5.2 die Tabelle an, und in mehreren anderen Tests liegt es vorn.
Wer einen einzelnen, schwierigen Beweis einkauft, kann mit Fable 5.2 glücklich werden, wer tausend Aufgaben automatisieren will, sollte vorher rechnen, weil MathArena Ausdauer belohnt und Ausdauer Tokens kostet.
Kimi K3.1 Pro und der Abstand der offenen Modelle
Das beste offene Modell der Tabelle ist Kimi K3.1 Pro von Moonshot AI, mit 54,3 Prozent für 3,70 Dollar je Lauf. Damit liegt der offene Kandidat rund 31 Punkte hinter der Spitze.
Für Teams, die aus Datenschutzgründen selbst hosten, ist das die unangenehme Nachricht der Woche: Der günstige Preis hilft wenig, wenn die Trefferquote nicht reicht.
Warum Gemini 4 Carbon fast nie aufgibt
Der Grund für den Tokenhunger steckt im Verhalten. Die häufigste Fehlerursache bei Gemini 4 Carbon ist laut Google das Überschreiten des Zeitlimits, nicht eine falsche Antwort. Das Modell bricht eine Aufgabe also selten ab, weil es nicht weiterweiß.
In einem dokumentierten Fall lief ein Skript mehr als elf Stunden, ohne dass jemand den Fortschritt prüfte. Das ist eine Entscheidung im Produktdesign, keine Panne.
Für Anwender wächst die Rechnung mit der Geduld des Modells. Jeder zusätzliche Versuch wird abgerechnet.
Wo Gemini 4 Argon die bessere Wahl bleibt
Google positioniert Gemini 4 Carbon nicht als Nachfolger von Gemini 4 Argon, sondern als Ergänzung. Für den größten Teil der Softwareentwicklung und Wissensarbeit bleibt Argon die empfohlene Wahl, weil es mit denselben Tokensätzen berechenbarer zum Ergebnis kommt.
Carbon ist für Fälle gedacht, in denen jemand eine offene Forschungsfrage hat oder einen Fehler sucht, der sich nicht eingrenzen lässt. Seit dem 10. November ist das Modell allgemein verfügbar, nach einer Testphase von rund zwei Wochen mit ausgewählten Sicherheitsforschern.
CursorBench, WANDR und die Zahlen von Google
Google hat zum Start eigene Auswertungen veröffentlicht, die ein anderes Bild zeichnen. Auf CursorBench 4.0 liegt Gemini 4 Carbon knapp unter 60 Prozent und damit vorn. Auf WANDR von Perplexity und AutomationBench von Zapier steht ebenfalls Platz eins, zu weniger als der Hälfte der Kosten je Aufgabe beim nächstbesten Modell.
In einem gemeinsam mit Artificial Analysis gebauten Test für multimodales Wissensmanagement reicht es nur für Platz zwei hinter Claude Fable 5.2, bei weniger als einem Sechstel der Kosten des Spitzenreiters. Alle diese Werte stammen von Google und sind nicht unabhängig nachgemessen.
Was Gemini 4 Carbon pro Aufgabe kostet
Die nüchternste Zahl der Woche kommt von Artificial Analysis, wo eine gelöste Aufgabe mit Gemini 4 Carbon vor rund zwei Wochen 7,76 Dollar im Standardtarif kostete. Claude Opus 5.5 Max lag bei 10,04 Dollar, GPT-6 Astra Max bei 6,25 und Claude Fable 5.2 im Max-Modus bei 26,50 Dollar.
Hier zählt nicht der Lauf, sondern das Ergebnis. Wer drei Anläufe braucht, zahlt dreimal.
Billig ist das nicht.
Was heißt das für ein Team, das 500 Aufgaben am Tag laufen lässt? Bei 15,70 Dollar je Durchlauf ist der Wechselkurs kein Rundungsfehler mehr, und in Deutschland kommt die Umsatzsteuer obendrauf.
Fairwind, /swarm und die Frage nach dem Budget
In der Fairwind-Vorabphase fand Gemini 4 Carbon bei zwei großen SaaS-Anbietern in unter zwei Stunden echte Zero-Day-Lücken, im Rahmen von Wiz Scan for Good. Das Sicherheitsteam von Google Cloud schrieb damit Proofs of Concept für zwei bekannte Fehler in einem Open-Source-Projekt.
Gleichzeitig hat Google in Antigravity eine Vorschau von /swarm gezeigt, die aus einem Prompt ein Team von Agenten macht. Carbon übernimmt Architektur und Prüfung, leichtere Modelle arbeiten parallel. OpenAI und Anthropic haben zuletzt davor gewarnt, dass solche Schwärme Tokens verbrennen, ohne viel Qualität zu gewinnen.
Für die Budgetplanung folgt daraus eine einfache Regel: Nicht Tokens zählen, sondern fertige Aufgaben. Wer Gemini 4 Carbon für Recherche einsetzt, sollte eine Obergrenze pro Ergebnis definieren und nicht pro Token, sonst zahlt er für die Geduld des Modells.






