Kosten pro Task bei Gemini 4 Carbon: Googles 2X-Behauptung, Board für Board zum Dezemberpreis geprüft

Gemini 4 Carbon ist seit dem 10. November allgemein verfügbar, und Googles Ankündigung stellt die Kosten pro Task vor den Preis:

It ranks #1 on CursorBench 4.0, Perplexity's WANDR, and Zapier's AutomationBench at more than 2X lower cost per task compared to the next best external model.

Kosten pro Task sind die richtige Einheit für Agentenarbeit, weil zwei Modelle zum selben Preis pro Token sehr unterschiedlich viel ausgeben können, bis dieselbe Aufgabe erledigt ist. Aber Kosten pro Task sind Tokens mal Preis, und Carbon hat zwei Preise: einen Einführungspreis bis zum 30. November und einen doppelt so hohen ab dem 1. Dezember. Jede Komponente verdoppelt sich, Input, gecachter Input und Output gleichermaßen. Kosten pro Task, die zum Einführungspreis gemessen wurden, sind also die Hälfte dessen, was derselbe Lauf im Dezember kostet.

Die Frage an jedes Leaderboard lautet deshalb: Welcher Preis wurde angesetzt? Die Antwort ist von Board zu Board verschieden, und sie verschiebt Googles Behauptung. Ich habe Carbon nicht selbst laufen lassen. Alles Folgende stammt von den verlinkten Seiten, die Verhältnisse und Dezemberwerte habe ich daraus berechnet.

Was kostet Gemini 4 Carbon pro Token, vor und nach dem 30. November?

Dasselbe wie Gemini 4 Argon: $2 pro Million Input-Tokens und $10 pro Million Output bis zum 30. November 2026, danach $4 und $20. Gecachter Input kostet $0.10, danach $0.20, und es gibt nur implizites Caching. Thinking wird als Output abgerechnet. Batch und Flex kosten die Hälfte des Standardpreises. Carbon ist nicht im Free Tier, und die Preisseite nennt für Carbon keinen Aufschlag für lange Prompts.

Was Carbon von Argon unterscheidet, ist die Menge, die es schreibt. Googles Migrationsseite sagt, dass Carbon pro Turn mehr Thinking-Tokens verbraucht, und laut Ankündigung bleibt Argon für den Großteil der Softwareentwicklung und Wissensarbeit die bessere Wahl. Carbon ist, in Googles Worten, für schwierigere Aufgaben gedacht:

using more tokens than Argon to explore thoroughly, reason deeply, and run extended verification loops.

Mehr Tokens pro Turn zum selben Preis. Googles Behauptung ist, dass das pro Task trotzdem günstiger ausfällt als bei der Konkurrenz.

Welchen Gemini-4-Carbon-Preis hat welches Leaderboard verwendet?

Zwei haben den Einführungspreis verwendet, zwei den Listenpreis, eines sagt es nicht. Hier sind die fünf Boards, die Kosten pro Task für Carbon veröffentlichen, mit dem Dezemberwert, wo die Grundlage einen erlaubt. Alle Carbon-Zeilen beziehen sich auf die Einstellung High.

Google zitiert die ersten beiden für sein 2X (dazu WANDR, das keine öffentlichen Carbon-Kosten hat, siehe unten) und MKA für sein 6X. Agent Arena und der Intelligence Index gehören nicht zu Googles Behauptung. Sie stehen hier, weil sie dieselbe Einheit veröffentlichen. Die Dezemberspalte nimmt an, dass der Lauf dieselben Tokens verbraucht und der Preis der Konkurrenz sich nicht ändert.

Was zeigt CursorBench 4.0 für Gemini 4 Carbon?

Einen knappen ersten Platz, gerechnet zum Einführungspreis. CursorBench lässt Agenten an mehrdeutigen Aufgaben über mehrere Dateien arbeiten, die aus echten Cursor-Sessions stammen. Das Leaderboard zeigt Carbon High mit 60,4 %, Carbon Medium mit 60,1 % und Claude Fable 5.2 Max mit 60,0 %, und es warnt, dass kleine Unterschiede statistisch womöglich nichts bedeuten.

Die Seite berechnet die Kosten mit den „veröffentlichten“ Preisen pro Token und verlinkt auf Cursors Seite zu Modellen und Preisen. Dort steht Carbon mit $2 Input, $0.10 Cache-Read und $10 Output, die Dezemberpreise in einer Fußnote. Wenn das die Preise hinter dem Leaderboard sind, kostet Carbon High ab dem 1. Dezember etwa $18.44 pro Task, und der Faktor gegenüber Fable 5.2 Max fällt von 3,6 auf etwa 1,8. Das Leaderboard hält das Datum der einzelnen Läufe nicht fest. Das ist also eine Lesart anhand der Preisliste, nicht bestätigt.

Zwei weitere Zeilen sind wichtig, wenn du eine Einstellung wählst. Carbon Low kostet pro Task mehr als Medium, $11.89 gegenüber $8.49. Pro Schritt ist es günstiger, etwa 10 Cent gegenüber 13, aber es brauchte fast doppelt so viele Schritte. Und Opus 5.5 High erreicht 56,0 % für $3.97, vier Punkte unter Carbon Medium, für weniger als die Hälfte von dessen Kosten pro Task zum Einführungspreis.

Carbon gegenüber Argon ist die Zeile, die ich nicht erklären kann. Beide stehen auf derselben Preisliste, und Carbon meldet weniger Tokens pro Task (37.067 bei Medium gegenüber 103.600 bei Argon) und weniger Schritte, kostet aber etwa doppelt so viel. Die Seite schlüsselt die Kosten nicht nach Input, Cache und Output auf, der Grund ist dort also nicht zu sehen.

Was zeigt Zapiers AutomationBench für Gemini 4 Carbon?

Die einzige saubere Bestätigung: erster Platz, gerechnet zum Listenpreis, 2,2-mal günstiger als das nächstbeste Modell. AutomationBench lässt End-to-End-Geschäftsabläufe über 47 simulierte Apps laufen und bewertet den Endzustand der Umgebung, streng bestanden oder nicht bestanden, ohne ein Modell als Bewerter.

Die Fußnote des Leaderboards betrifft nur die Argon-Zeilen, aber Zapiers separater Carbon-Report nennt die Grundlage: $4 Input und $20 Output pro Million Tokens, Cache-Reads mit $0.40 angesetzt. Google listet gecachten Input ab Dezember mit $0.20, das überschätzt Carbons Kosten also eher. Der Faktor 2,2 hält also auch im Dezember.

Der Report enthält eine Zahl, die das Leaderboard nicht zeigt: die Ausgaben pro bestandenem Task, also alle Task-Kosten geteilt durch die bestandenen Tasks, Fehlschläge eingerechnet. Für Carbon High sind das $3.94, gegenüber $2.12 pro Task. Der Lauf fand am 26. und 27. Oktober statt, zwei Wochen vor der allgemeinen Verfügbarkeit. Auch bemerkenswert: Auf diesem Board kosten Opus 5.5 und GPT-6 Astra pro Task weniger als Carbon High, und sie liegen elf bis zwölf Punkte darunter.

Was zeigen Perplexitys WANDR und der MKA-Benchmark für Gemini 4 Carbon?

WANDR hat keine öffentlichen Carbon-Kosten, und MKA zeigt 5X, wo Google 6X sagt. Der WANDR-Beitrag, den Google verlinkt, stammt vom 14. Juli 2026, vier Monate vor Carbons Veröffentlichung, und hat keine Carbon-Zeile. Der erste Platz und der Kostenfaktor auf WANDR beruhen allein auf Googles Angabe.

MKA wurde von Google DeepMind gebaut und wird von Artificial Analysis betrieben. Deren Launch-Artikel vom 10. November zeigt Fable 5.2 Max auf Platz eins mit 57 % und im Schnitt $31.97 pro Task, Carbon High auf Platz zwei mit 54 % und $6.29. Das ist 5,1-mal weniger. Googles Ankündigung sagt „more than 6X lower“ gegenüber demselben Spitzenmodell. Der Artikel nennt nicht, welchen Carbon-Preis er verwendet hat. Ich kann also nicht sagen, ob der Unterschied von der Preisgrundlage kommt oder von etwas anderem.

Was misst Agent Arena mit den Kosten pro Task für Gemini 4 Carbon?

Echte Aufgaben von Nutzern zum Einführungspreis, und nur den Anfang jeder Session. Agent Arena bewertet Agenten anhand von Aufgaben, die Leute selbst mitbringen. Das Gesamt-Leaderboard vom 8. November führt Carbon auf Platz zwei, als vorläufig markiert:

Zu $2 und $10 kostet Carbons Median-Task etwa ein Viertel dessen, was Opus 5.5 kostet. Zu $4 und $20 wären es etwa $2.92, ungefähr die Hälfte. Opus bleibt auf Platz eins. Gegenüber Argon schreibt Carbon pro Task fast doppelt so viel Output und kostet fast doppelt so viel. Das passt besser zu Googles „more tokens than Argon“ als die CursorBench-Zeilen.

Wichtig ist, was ein „Task“ hier umfasst. Arenas Beitrag zu den Kosten vom August erklärt die Obergrenze, die es anwendet:

To measure costs in a representative manner, we decided to track costs for, at most, the first three tasks in an Agent Arena session.

Arenas Begründung ist der mitgeschleppte Kontext: Spätere Tasks in einer langen Session kosten mehr, egal bei welchem Modell, und Arena wollte damit nicht die Modelle bestrafen, mit denen Leute länger arbeiten. Die Folge ist, dass die Kostenspalten genau den Teil einer langen Session auslassen, in dem sich Kontext anhäuft. Arenas Methodik-Beitrag hat dazu eine allgemeine Beobachtung, ohne Modelle zu nennen:

We find some models more expensive in practice, despite cheaper on-paper pricing.

Wie schneidet Gemini 4 Carbon gegenüber Argon im Artificial Analysis Intelligence Index ab?

Mit praktisch denselben Kosten pro Task. Artificial Analysis hat seine Carbon-Auswertung am 28. Oktober veröffentlicht, vor dem öffentlichen Release, und Carbon mit hohem Reasoning mit 59 auf Platz eins seines Intelligence Index gesetzt. Zum Standardpreis, den nach eigener Aussage alle Charts verwenden, kostete Carbon $7.76 pro Index-Task, Argon $7.68, Claude Opus 5.5 Max $10.04 und GPT-6 Astra Max $6.25. Googles 2X wird für diesen Index nicht behauptet. Hier ist Carbon pro Task etwa 23 % günstiger als Opus 5.5 Max und teurer als GPT-6 Astra Max.

Was sagt Google zu den Kosten eines /swarm-Laufs mit Gemini 4 Carbon?

Keine Zahlen, nur eine Warnung zur Quota. Der Antigravity-Beitrag beschreibt /swarm, das als Preview für Google AI Ultra in der Antigravity-App und im CLI läuft: Ein Koordinator startet parallele Worker in isolierten Git-Worktrees, adversariale Prüfer lassen Tests laufen und stellen Diffs infrage, und alle schreiben auf ein gemeinsames Message Board, im Leerlauf bei null Tokens, bis sie gebraucht werden. Carbon übernimmt die Rollen Koordinator, Architektur und Audit, leichtere Modelle erledigen Routine-Änderungen. Google berichtet von fünf Wochen interner Nutzung bei Migrationen und Ursachenanalysen, ohne Metriken, und fügt hinzu:

(As a fair warning, even with zero-token idle waits and dynamic model hot-swapping, parallel multi-agent systems consume quota much faster than a standard chat.)

Das ist Abo-Quota, keine API-Rechnung, und es kommt den Kosten eines langen Laufs am nächsten, was Google dazu veröffentlicht. Simon Willisons Notizen zum Launch enthalten ebenfalls keine Token-Zahlen und keine Laufkosten.

Was lassen die Leaderboards bei einem langen Agentenlauf mit Gemini 4 Carbon weg?

Den Lauf selbst. Jede Zahl oben ist ein Durchschnitt oder Median pro Benchmark-Task: etwa 71 Schritte auf CursorBench für Carbon High, ein Geschäftsablauf auf AutomationBench, höchstens die ersten drei Tasks einer Session auf Arena. Keine davon sagt, was eine mehrstündige Carbon-Session kostet oder wie Carbons Prüfschleifen mit der Länge der Arbeit wachsen.

Bei Carbon gegenüber Argon sind sie sich außerdem uneinig, und genau diesen Vergleich legt Google selbst nahe, wenn es Argon für die meiste Arbeit empfiehlt. Pro Task kostet Carbon auf CursorBench und Arena etwa das Doppelte von Argon, auf AutomationBench das 1,25-Fache und im Intelligence Index praktisch gleich viel. Carbon und Argon haben auf jedem Board denselben Preis pro Token, die Streuung kommt also von den Tasks, und keiner dieser Tasks ist deiner.

Solltest du einen langen Agentenlauf vor dem 30. November auf Gemini 4 Carbon umstellen?

Teste vor dem 30. November, entscheide zum Dezemberpreis. Das ist eine Lesart der Quellen, keine Messung.

Ein Einführungspreis mit Enddatum ist ein Rabatt aufs Testen, nicht auf die Arbeitslast, und dieselbe Regel gilt für die Leaderboards. Zwei der fünf rechnen Carbon schon zum Standardpreis. Verdopple die Zahlen von CursorBench und Arena, bevor du sie mit irgendetwas vergleichst, das zum Listenpreis gerechnet ist, und lass den MKA-Faktor beiseite, bis seine Grundlage bekannt ist.

Dann miss deinen eigenen Nenner. Protokolliere die Kosten pro erledigtem Task in deinen eigenen Läufen, Fehlschläge eingerechnet: Zapiers eigener Report zeigt den Abstand zwischen $2.12 pro Task und $3.94 pro bestandenem Task. Lass es auf allen drei Thinking-Stufen laufen, denn auf CursorBench ist ausgerechnet die Low-Zeile pro Task die teuerste. Der Beitrag zu Haiku 5.5 als Subagent fand dasselbe Muster vom günstigen Ende her: derselbe Preis pro Token wie GPT-6 Luna und etwa dreimal so viele Output-Tokens pro Task bei maximalem Effort.

Keine der Carbon-Quellen veröffentlicht außerdem ein Review-Protokoll. Bei Argon wurden in dem einzigen Google-Fall mit Review-Protokoll zwei von sechs Vorschlägen übernommen, und deshalb habe ich argumentiert, dass die Review-Kapazität das Erste ist, was man dimensionieren muss, noch vor den Tokens. Welchen Anteil dein Reviewer bei Carbon übernimmt, musst du selbst messen.