Google macht Gemini 4 Argon über seine App und die Programmierschnittstelle, kurz API, breiter verfügbar. Gleichzeitig bringt Meta mit Muse Wonder eine Alternative für lange, selbstständig bearbeitete Aufgaben, während Liquid AI auf ein Modell für den lokalen Betrieb setzt. Für dich sind dabei weniger die Ranglisten entscheidend als drei praktische Fragen: Wo bekommst du Zugriff, wie schnell steigen die Kosten und welche Daten müssen in eine Cloud?
Was jetzt verfügbar ist
Gemini 4 Argon ist ein neues multimodales Modell, das Text, Bilder, Audio und Video verarbeiten und Text ausgeben kann. Multimodal bedeutet, dass unterschiedliche Medien in derselben Aufgabe kombiniert werden können. Laut der Meldung zur Freigabe von Gemini 4 Argon richtet Google das Modell auf lange, mehrstufige Arbeiten in Bereichen wie Programmierung, Finanzen, Recht, Wissenschaft und Cybersicherheit aus.
Der Zugang erfolgt ausschliesslich über Googles Cloud, unter anderem über die Gemini API und AI Studio; frei herunterladbare Modellgewichte gibt es nicht. Eine API ist eine Schnittstelle, über die andere Anwendungen ein Modell aufrufen. Zusätzlich steht Argon laut t3n in Googles eigener App bereit, allerdings nur für zahlende Kundinnen und Kunden. Wer die kostenlose Version nutzt, bleibt demnach beim Basismodell Flash-Lite.
Meta hat im gleichen Zeitraum Muse Wonder und Muse Wonder Full veröffentlicht. Beide werden als Agentenmodelle mit einem Kontext von einer Million Token beschrieben. Ein Token ist ein kleiner Textbaustein, aus dem das Modell Eingaben und Antworten zusammensetzt. Muse Wonder ist über die Meta Model API erhältlich; Wonder Full gehört laut der vorliegenden Kurzfassung zu den Muse-Code-Abonnements und soll bei den Programmier-Benchmarks DeepSWE und SWE-Marathon führen. Diese Hersteller- und Benchmarkangaben sind in den gelieferten Informationen nicht unabhängig geprüft.
Liquid AI verfolgt einen anderen Ansatz. LFM2.5-24B-A2B ist ein Modell mit offenen Gewichten, das sich für lokale Agenten eignen soll. Offene Gewichte lassen sich herunterladen und auf passender eigener Hardware ausführen. Das Modell umfasst laut Anbieter 24 Milliarden Parameter, aktiviert für eine Aufgabe aber jeweils nur zwei Milliarden davon; dieses Verfahren heisst Mixture of Experts, also eine Architektur, die nur ausgewählte Modellteile einsetzt.
Was Limits und Preise bedeuten
Der auffälligste Wert bei Argon ist die Grenze von einer Million Token. Die Überschrift der Leitmeldung spricht von einer Million Token Ausgabe, im Text wird jedoch ein gemeinsames Fenster für Eingabe und Ausgabe beschrieben. Ein umfangreicher Auftrag reduziert somit den verbleibenden Platz für die Antwort. Das ist eine relevante Einschränkung: Die Million ist kein zusätzlicher Freipass für eine ebenso lange Eingabe und Ausgabe.
In der Praxis kann das Modell dadurch sehr lange Dokumente, Medieninhalte oder mehrstufige Arbeitsverläufe in einem Zusammenhang bearbeiten. Google meldet unter anderem 91,7 Prozent beim LVBench-Test für das Verständnis langer Videos. Beim Programmier-Benchmark FrontierSWE v2 erreicht Argon dagegen 55,0 Prozent und liegt in Googles Vergleich auf dem letzten von vier Plätzen. Ranglisten hängen von ihrer konkreten Aufgabe ab und ersetzen keinen Test mit deinen eigenen Unterlagen.
Zum Start kostet die Gemini API 2 US-Dollar pro Million Eingabe-Token und 10 US-Dollar pro Million Ausgabe-Token. Simon Willison nennt ausserdem einen Zugang über ein Abonnement für 100 US-Dollar pro Monat und berichtet, dass sich die API-Preise am 1. Dezember verdoppeln sollen. Sein eigener SVG-Test mit einer Pelikan-Illustration kostete 17,166 Cent. Das ist ein konkretes Beispiel, aber kein allgemeiner Kostenmassstab.
Willison weist zu Recht darauf hin, dass reine Tokenpreise Modelle nur unvollständig vergleichbar machen. Entscheidend ist auch, wie viele Versuche und wie viel Text ein System benötigt, um eine Aufgabe zu erledigen. Er nennt für Argon Kosten von 2.407 US-Dollar für einen Benchmarklauf von Artificial Analysis; nach seiner Einordnung liegt das unter den neuesten Modellen von OpenAI, Anthropic und Meta. Meta Muse Wonder startet dagegen bei 4 US-Dollar für eine Million Eingabe- und 20 US-Dollar für eine Million Ausgabe-Token. Für Wonder Full und das Liquid-AI-Modell enthalten die gelieferten Angaben keinen direkt vergleichbaren Preis.
Wer praktisch profitiert
Wenn du einsteigst, ist die bezahlte Gemini-App der naheliegendste Zugang zu Argon, weil du keine API einrichten musst. Beginne mit einer klar begrenzten Aufgabe und Material, dessen Weitergabe an eine Cloud vertretbar ist. Du könntest etwa ein langes Video zusammenfassen lassen oder mehrere Dokumente zu einer strukturierten Übersicht verbinden. Prüfe zentrale Aussagen trotzdem an der Vorlage, besonders bei rechtlichen, finanziellen oder wissenschaftlichen Inhalten.
Für Fortgeschrittene bietet die API mehr Kontrolle über Umfang und Kosten. Sinnvoll ist zunächst ein kleiner Test mit einer repräsentativen Aufgabe, bevor du sehr lange Ausgaben anforderst. Willisons Pelikan-Beispiel zeigt etwa, dass Argon auch skalierbare Vektorgrafiken, sogenannte SVG-Dateien, erzeugen kann. Wer wiederkehrende Abläufe automatisiert, sollte zusätzlich messen, wie viele Token und Korrekturrunden ein brauchbares Ergebnis tatsächlich benötigt.
Googles App enthält auf macOS zudem die Programmierumgebung Antigravity. Im Task-Modus kann Argon laut t3n Aufgaben im Hintergrund bearbeiten und auf mehr als 40 verbundene Dienste wie Shopify, Adobe oder OpenTable zugreifen. Für berufliche Abläufe kann das Wartezeiten reduzieren, erhöht aber zugleich die Bedeutung sauberer Zugriffsrechte. Ein autonom handelndes System sollte nicht mehr Konten und Daten erreichen können, als für die konkrete Aufgabe nötig sind.
Ein zweites Praxisbeispiel kommt aus der Cybersicherheit. Google DeepMind berichtet, dass Wiz mit Argon einen kritischen Fehler in Krankenhaussoftware gefunden habe, den frühere Modelle übersehen hätten, und dass damit Hunderttausende Patientenakten geschützt worden seien. Googles eigene Sicherheitsteams hätten das Modell ausserdem zum Finden und Beheben von Fehlern in interner und quelloffener Software eingesetzt. Das sind Angaben von Google DeepMind, keine in den Quellen dokumentierte unabhängige Prüfung.
Liquid AI ist interessanter, wenn lokale Verarbeitung wichtiger ist als der bequemste Cloudzugang. Der Anbieter meldet 48,09 Punkte im LiveClaw-Test und 184 erzeugte Token pro Sekunde auf einem Apple M5 Max. Diese Werte beziehen sich auf bestimmte Hardware und einen bestimmten Test. Sie belegen daher nicht, dass das Modell auf jedem persönlichen Gerät schnell oder überhaupt sinnvoll läuft.
Pro und Kontra der neuen Modellwahl
Pro:
- Lange Arbeitsverläufe – Argon und Muse Wonder können laut den Meldungen bis zu eine Million Token Kontext für umfangreiche Dokumente und mehrstufige Aufgaben nutzen.
- Mehr Zugangswege – Argon ist in einer bezahlten App und über eine API verfügbar, während Meta einen API-Zugang und Liquid AI offene Gewichte anbietet.
- Unterschiedliche Schwerpunkte – Google zielt auf komplexe Wissensarbeit, Meta auf Agenten und Programmieraufgaben und Liquid AI auf lokale Ausführung.
- Konkrete Kostenbasis – Bei Argon und Muse Wonder lassen sich API-Aufträge über veröffentlichte Tokenpreise zumindest vorab grob kalkulieren.
Kontra:
- Cloudbindung – Argon läuft nur auf Googles Infrastruktur, wodurch Eingaben und Ergebnisse nicht vollständig in deiner eigenen Umgebung bleiben.
- Steigende Preise – Argons Einführungspreis soll sich bereits am 1. Dezember verdoppeln, was dauerhafte Arbeitsabläufe verteuern kann.
- Uneinheitliche Messwerte – Starke Ergebnisse bei langen Videos stehen einem letzten Platz in Googles aufgeführtem Programmiervergleich gegenüber.
- Lückenhafte Vergleichbarkeit – Für Wonder Full und Liquid AI fehlen in den Quellen vergleichbare Preise, während viele Leistungsangaben von den Anbietern stammen.
Was noch offen ist
Für die Schweiz nennen die Quellen weder eine besondere Verfügbarkeit noch eigene Preise oder bestätigte Sprachdetails. Weil Argon breit für zahlende Gemini-Kundschaft und über die Cloud angeboten wird, dürfte der konkrete Zugang vom jeweiligen Konto und Angebot abhängen; eine ausdrückliche Schweizer Bestätigung liegt in den gelieferten Texten nicht vor. Schweizer Unternehmen, Schulen und andere Organisationen müssen bei sensiblen Inhalten deshalb vor allem prüfen, ob eine Cloudverarbeitung mit ihren internen Datenschutzregeln vereinbar ist. Liquid AIs offene Gewichte bieten grundsätzlich mehr Kontrolle über den Verarbeitungsort, sagen aber allein noch nichts über Bedienbarkeit, Hardwarebedarf oder Ergebnisqualität aus.
Auch der Marktvergleich bleibt eine Momentaufnahme. The Verge beschreibt Googles und Metas Veröffentlichungen als neuen Konkurrenzschub gegenüber OpenAI und Anthropic, nachdem Google längere Zeit vor allem schrittweise Verbesserungen geliefert habe. Gleichzeitig soll OpenAI laut einem Bericht bis Ende 2026 ein oder zwei weitere Modelle veröffentlichen. Ob darunter das geplante grosse Upgrade ist, gilt jedoch als unsicher; Sicherheitsbewertungen und eine vorgesehene Prüfung durch die US-Regierung könnten den Ablauf beeinflussen.
Die drei Veröffentlichungen zeigen keine einzelne Siegerlösung, sondern verschiedene Kompromisse. Argon verbindet einen sehr grossen Arbeitskontext mit bequemem Cloudzugang, Muse setzt auf Agenten und Programmierung, und Liquid AI verspricht mehr lokale Kontrolle. Offen bleiben die tatsächlichen Kosten vollständiger Arbeitsabläufe, die unabhängige Bestätigung vieler Leistungswerte und der verantwortbare Umgang mit sensiblen Daten.
Quellen
- Google Releases Gemini 4 Argon API With 1M Token Output Limit – MarkTechPost, 2026-10-14
- Überraschung: Google veröffentlicht Gemini 4 Argon – t3n, 2026-10-13
- llm-gemini 0.35 – Simon Willison’s Weblog, 2026-10-13
- Developing Gemini 4 Argon responsibly and safely – Google DeepMind, 2026-10-13
- Meta Launches Muse Wonder and Muse Wonder Full – MarkTechPost, 2026-10-13
- Liquid AI Releases LFM2.5-24B-A2B – MarkTechPost, 2026-10-14
- OpenAI soll bis Jahresende mindestens ein bis zwei neue Modelle veröffentlichen – The Decoder, 2026-10-14
- The AI race is back on – The Verge, 2026-10-14
Bild: Matheus Bertelli via Pexels