Gemini (Google) (DE)

Google Gemini ist eine Familie multimodaler großer Sprachmodelle (LLM), die von der Forschungsabteilung Google DeepMind entwickelt wird. Die Gemini-Modelle, erstmals im Dezember 2023 vorgestellt, basieren auf einer neuronalen Transformer-Architektur mit nativer Unterstützung für die Verarbeitung und Generierung von Daten verschiedener Modalitäten, einschließlich Text, Bilder, Audio, Video und Programmcode.

Stand Februar 2026 ist die aktuelle Generation die Reihe Gemini 3.x. Die architektonische Entwicklung konzentriert sich auf die Integration skalierbarer Schlussfolgerungsmechanismen während der Inferenz (Inference-Time Scaling) und die Optimierung der Modelle für den Einsatz in autonomen agentischen Systemen (Agentic AI). Die Gemini-App hat über 750 Millionen monatlich aktive Nutzer.

Namensgebung und Philosophie

Der Name "Gemini" (lat. — Zwillinge) symbolisiert die Vereinigung zweier führender Forschungsgruppen von Google — Google Brain und DeepMind — für die Schaffung dieses Projekts. Jeff Dean, Co-Technical Lead von Google DeepMind, bestätigte dies in einem offiziellen Blogbeitrag (Mai 2024): „The twins here are the folks in the legacy Brain team and the legacy DeepMind team". Das Projekt trug ursprünglich den Codenamen „Titan"; Dean schlug den Namen „Gemini" im April 2023 vor — im selben Monat, in dem die formelle Fusion von Google Brain und DeepMind stattfand. Der Name verweist zudem auf das NASA-Gemini-Programm (1965–1968), dessen Rolle bei der Vorbereitung des Apollo-Programms beim Entwicklungsteam Anklang fand.

Ein Schlüsselmerkmal und die philosophische Grundlage von Gemini ist die native Multimodalität. Im Gegensatz zu vielen früheren Modellen, bei denen multimodale Fähigkeiten auf einer bestehenden Textbasis aufgesetzt wurden, wurde Gemini von Grund auf für das gleichzeitige Verstehen, Verarbeiten und Kombinieren verschiedener Informationstypen konzipiert. Der technische Bericht zu Gemini 1.0 (arXiv:2312.11805) bestätigt, dass das Modell „trained jointly across image, audio, video, and text data" wurde. Dies ermöglicht es dem Modell, Daten nicht nur zwischen Modalitäten zu übersetzen, sondern ein tieferes, holistisches Verständnis zu entwickeln.

Architektur und Schlüsseltechnologien

Die Fähigkeiten der Gemini-Modelle werden durch eine Reihe grundlegender architektonischer Entscheidungen bestimmt. Google veröffentlicht nicht das vollständige Low-Level-Design aller internen Gemini-Komponenten; öffentliche Quellen erlauben jedoch die Feststellung der Architekturklasse: Alle Modelle ab der Familie 1.5 sind Sparse-Mixture-of-Experts-Transformer-basierte Modelle mit nativer multimodaler Unterstützung (bestätigt durch die Modellkarte von Gemini 2.5 Flash).

Native multimodale Architektur

Die Architektur von Gemini basiert auf dem Konzept der frühen Fusion (Early Fusion). Pixel-Patches von Bildern, zeitliche Video-Frames, Audiogramme und Text-Token werden in einen einheitlichen latenten Raum projiziert. Der technische Bericht zu Gemini 2.5 beschreibt diesen Ansatz als „Unified Multimodal Token Interleaving". Da alle Token verschiedener Modalitäten innerhalb einer gemeinsamen Sequenz verarbeitet werden, gewährleisten die standardmäßigen Selbstaufmerksamkeitsmechanismen (Self-Attention) auf natürliche Weise die modalitätsübergreifende Integration der Daten auf jeder Schicht. Audiosignale werden von spezialisierten Encodern direkt aus der Wellenform (Waveform) verarbeitet, wodurch akustische Eigenschaften (Intonation, Klangfarbe, Hintergrundgeräusche) erhalten bleiben, die bei der Verwendung zwischengeschalteter Speech-to-Text-Transkriptionssysteme verloren gehen.

Für die Transformer-Klasse ist die grundlegende Operation der Aufmerksamkeitsmechanismus:

$A t t e n t i o n (Q, K, V) = s o f t m a x (\frac{Q K^{⊤}}{\sqrt{d_{k}}}) V$

wobei $Q$ die Abfragematrix, $K$ die Schlüsselmatrix, $V$ die Wertmatrix und $d_{k}$ die Dimensionalität der Schlüssel ist.

Sparse Mixture-of-Experts (MoE)

Ab Version 1.5 verwenden die Gemini-Modelle eine Sparse-Mixture-of-Experts-Architektur (MoE). Gemini 1.0 verwendete einen dichten (Dense) Transformer; der Übergang zu MoE wird im technischen Bericht der Version 1.5 explizit beschrieben: „This is our first release from Gemini 1.5, a new family… which incorporates a novel mixture-of-experts architecture".

In der MoE-Architektur werden die standardmäßigen vollständig verbundenen Schichten (Feed-Forward Networks) durch eine Reihe spezialisierter Teilnetzwerke — „Experten" — ersetzt. Für ein Eingabe-Token $x \in ℝ^{d}$ wird die Ausgabe $y$ als gewichtete Summe der Ausgaben von $k$ aktiven Experten berechnet ( $k ≪ E$ , wobei $E$ die Gesamtzahl der Experten ist):

$y = \sum_{i \in 𝒯_{k} (x)} g_{i} (x) E_{i} (x)$

wobei $E_{i} (x)$ die nichtlineare Funktion des $i$ -ten Experten ist, $𝒯_{k} (x)$ die Indexmenge der $k$ ausgewählten Teilnetzwerke und das Routing-Gewicht $g_{i} (x)$ durch eine erlernte Routing-Funktion (Learned Routing Function) unter Anwendung der Softmax-Funktion über die $k$ höchsten Werte berechnet wird.

Dieser Ansatz ermöglicht eine erhebliche Steigerung der gesamten parametrischen Kapazität des Modells bei gleichzeitig niedrigen Rechenkosten (FLOPs), da für jedes Token nur eine Teilmenge der Parameter aktiviert wird. Google hat die tatsächliche Parameteranzahl der Gemini-Modelle nicht offengelegt.

Langer Kontext und In-Context-Learning

Gemini 1.5 erzielte einen Durchbruch, indem das Kontextfenster auf 1 Million Token im Produktionsmodus erweitert wurde (mit experimentellen Tests bis zu 10 Millionen Token). Dies ist eine Größenordnung mehr als bei früheren Modellen (z. B. GPT-4 Turbo mit 128.000 Token). Google berichtete von einem Ergebnis von 99 % im Needle-In-A-Haystack-Test bei einer Kontextlänge von 1 Million Token. Für nachfolgende Generationen etablierte sich der lange Kontext als eines der Schlüsselmerkmale der Reihe. Dieser großflächige Kontext ermöglicht es dem Modell:

Ganze Bücher, stundenlange Videos (bis zu 3 Stunden) oder große Codebasen innerhalb einer einzigen Anfrage zu analysieren.
In-Context-Learning auf großen Datenmengen durchzuführen, die im Prompt bereitgestellt werden, was hochgradig angepasste Antworten ohne die Notwendigkeit eines Fine-Tunings ermöglicht.

„Denkende Modelle" und Skalierung der Inferenzberechnung

Ab Gemini 2.5 bezeichnet Google Thinking als einen separaten Betriebsmodus. Die offizielle Dokumentation definiert ihn als einen internen Rechenprozess, der die mehrstufige Planung und das Schlussfolgern verbessert. Die Modelle der Version 2.5 (beschrieben als „Thinking Models") sind in der Lage, intern Zwischenschritte des Schlussfolgerns zu generieren und zu bewerten, bevor sie eine endgültige Antwort geben. Dies verbessert die Genauigkeit bei komplexen logischen und mathematischen Aufgaben erheblich.

Es ist wichtig, zwei Mechanismen zu unterscheiden:

Integriertes Denken (Thinking): Der Basismodus für Modelle der Serien 2.5 und 3, der eine verborgene Gedankenkette (Chain-of-Thought) generiert. Die API kann Thought Summaries zurückgeben — kurze Zusammenfassungen des internen Schlussfolgerns anstelle des vollständigen Stroms „roher Gedanken". Ab dem Modell 3.1 Pro wird das Denkbudget über den Parameter thinking_level mit Werten von Low bis Max gesteuert.
Deep Think: Ein separater experimenteller erweiterter Schlussfolgerungsmodus, der die parallele Hypothesengenerierung nutzt und erheblich größere Rechenressourcen erfordert. Er wurde auf der Google I/O am 20. Mai 2025 angekündigt und am 1. August 2025 für AI-Ultra-Abonnenten verfügbar gemacht. Deep Think sollte nicht mit dem Basis-Thinking-Mechanismus verwechselt werden.

Agentische Fähigkeiten (Agentic Capabilities)

Ab Version 2.0 kann Gemini mit der Außenwelt interagieren: Werkzeuge aufrufen, Google-Suchen durchführen, Code ausführen und UI-Elemente steuern. Google positionierte Gemini 2.0 ausdrücklich als Modell für die „neue agentische Ära" (Agentic Era) mit nativer Tool-Use-Unterstützung.

Stand Februar 2026 umfasst die Gemini-API eine formal etablierte Schicht agentischer Fähigkeiten mit Unterstützung für Werkzeuge: Google Search, Google Maps, Code Execution, URL Context, Computer Use, File Search sowie Live API für bidirektionale Echtzeit-Interaktion.

Evolution der Gemini-Modelle

Die Gemini-Familie entwickelt sich in außerordentlich schnellem Tempo: Zwischen Dezember 2023 und Februar 2026 wurden vier Hauptgenerationen von Modellen veröffentlicht.

Gemini 1.0 (Dezember 2023)

Die erste Generation, die das Fundament der nativen Multimodalität legte. Am 6. Dezember 2023 öffentlich vorgestellt.

Versionen: Ultra (Flaggschiff für die komplexesten Aufgaben), Pro (Allzweckmodell) und Nano (kompakt für Mobilgeräte; unterteilt in Nano-1 mit 1,8 Mrd. Parametern und Nano-2 mit 3,25 Mrd.).
Kontextfenster: 32.768 Token für alle Versionen.
Errungenschaften: Gemini 1.0 Ultra wurde das erste Modell, das die Leistung eines menschlichen Experten beim MMLU-Benchmark erreichte und übertraf, mit einem Ergebnis von 90,04 % (unter Verwendung der CoT@32-Technik — Gedankenkette mit 32 Stichproben und Mehrheitsabstimmung; bei Standard-5-Shot-Prompting lag das Ergebnis bei ca. 83,7 %). Es erzielte SOTA-Ergebnisse bei 30 von 32 akademischen Benchmarks.
Einstellung: Gemini 1.0 Pro wurde am 18. Februar 2025 als veraltet erklärt.

Gemini 1.5 (Februar — Mai 2024)

Durchbruch in Kontextlänge und Effizienz.

Architektur: Übergang vom dichten Transformer zu Mixture-of-Experts (MoE).
Kontextfenster: Bis zu 1 Million Token in der Produktion (2 Millionen per Warteliste für 1.5 Pro, angekündigt auf der Google I/O im Mai 2024).
Versionen: 1.5 Pro (angekündigt im Februar 2024; Qualität auf dem Niveau von 1.0 Ultra bei deutlich geringeren Kosten) und 1.5 Flash (leichte und schnelle Version, hinzugefügt im Mai 2024).
Einstellung: Alle Gemini 1.5-Modelle (Pro, Flash, Flash-8B) wurden am 29. September 2025 abgeschaltet.

Gemini 2.0 (Dezember 2024 — Februar 2025)

Übergang zur „agentischen Ära".

Zeitverlauf: 11. Dezember 2024 — Ankündigung von 2.0 Flash Experimental (multimodale Eingabe, Textausgabe); 5. Februar 2025 — allgemeine Verfügbarkeit (GA) von 2.0 Flash, Veröffentlichung von 2.0 Pro Experimental und 2.0 Flash-Lite.
Schlüsselinnovationen: Integrierte agentische Fähigkeiten (Tool Use), native Bild- und Audiogenerierung (anfänglich im eingeschränkten Modus für Early-Access-Partner), Ausrichtung auf agentische Szenarien.
Kontextfenster: Bis zu 2 Millionen Token (2.0 Pro); bis zu 1 Million Token (2.0 Flash-Lite).
Einstellung: Die Modelle 2.0 Flash und Flash-Lite sind für die Abschaltung am 1. Juni 2026 vorgesehen.

Gemini 2.5 (März — Juni 2025)

Erstes „denkendes Modell" (Thinking Model) mit konfigurierbaren Schlussfolgerungsbudgets.

Zeitverlauf: 25. März 2025 — Ankündigung von 2.5 Pro Experimental; 17. April — 2.5 Flash (erstes vollständig hybrides Schlussfolgerungsmodell mit umschaltbarem Denkmodus); 20. Mai (Google I/O) — Updates für 2.5 Pro und Flash, Ankündigung von Deep Think; 17. Juni 2025 — gleichzeitige GA von 2.5 Pro und 2.5 Flash; am selben Tag — Preview von 2.5 Flash-Lite (GA am 22. Juli). 1. August — Deep Think für AI-Ultra-Abonnenten verfügbar.
Schlüsselinnovationen: Integrierter „Denk"-Mechanismus (Thinking) mit konfigurierbaren Budgets; Deep Think als separater erweiterter Modus. SOTA-Ergebnisse bei komplexen Mathematik-, Logik- und Programmierbenchmarks (AIME 2025 — 86,7 %, GPQA Diamond — 84,0 %, Humanity's Last Exam — 18,8 % ohne Werkzeuge).
Kontextfenster: 1 Million Token Eingabe, bis zu 64.000 Token Ausgabe. Die versprochene Erweiterung auf 2 Millionen Token für 2.5 Pro wurde während des Lebenszyklus des Modells nie als implementiert bestätigt.
Spezialisierte Varianten: Gemini 2.5 Flash Image (Codename „Nano Banana", erschien anonym in der Arena am 12. August, offiziell veröffentlicht am 26. August 2025 — ging viral durch fotorealistische „3D-Figuren"-Bilder und gewann 10 Millionen neue Nutzer); Computer Use Preview (7. Oktober 2025, basierend auf 2.5 Pro); Text-to-Speech-Modelle (2.5 Flash TTS, 2.5 Pro TTS).
Technischer Bericht: Der kombinierte Gemini 2.X-Bericht wurde am 7. Juli 2025 auf arXiv veröffentlicht (arXiv:2507.06261), mit über 3.300 Autoren, abdeckend die Modelle 2.5 Pro, 2.5 Flash, 2.0 Flash und 2.0 Flash-Lite.

Gemini 3.x (November 2025 — Februar 2026)

Die dritte Generation markierte den Übergang von der einfachen Generierung zu langandauernden agentischen Arbeitsabläufen (Agentic Workflows) und der Lösung interdisziplinärer wissenschaftlicher Probleme.

Gemini 3 Pro (18. November 2025): Angekündigt von Alphabet-CEO Sundar Pichai und DeepMind-CEO Demis Hassabis als „Googles intelligentestes Modell". Erstes Gemini-Modell, das am Starttag in Google Search eingesetzt wurde. Erstes Modell, das die 1.500-Elo-Marke bei LMArena durchbrach (1.501 beim Start). Ergebnisse: GPQA Diamond — 91,9 %; SWE-bench Verified — 76,2 %; Humanity's Last Exam — 37,5 % (ohne Werkzeuge); SimpleQA — 72,1 %.
Gemini 3 Flash (17. Dezember 2025): Wurde zum Standardmodell in der Gemini-App. Zum Preis von 0,50 $/1M Eingabe-Token übertraf es 3 Pro beim SWE-bench Verified (78 %) bei 30 % weniger Token bei Schlussfolgerungsaufgaben. GPQA Diamond — 90,4 %; HLE — 33,7 %.
Gemini 3.1 Pro (19. Februar 2026): Das Flaggschiffmodell zum Veröffentlichungsdatum. Erste inkrementelle „.1"-Version (vorherige Generationen verwendeten .5-Intervalle). Schlüsselergebnis — ARC-AGI-2: 77,1 % (mehr als doppelt so viel wie die 31,1 % von 3 Pro). AIME 2025 — 91,2 %; GPQA Diamond — 94,3 %; SWE-bench Verified — 80,6 %. Einführung eines neuen MEDIUM-Denkniveaus über den Parameter thinking_level. Dedizierter Endpunkt gemini-3.1-pro-preview-customtools für Bash-Terminal und benutzerdefinierte Funktionen. Behebung von Ausgabetrunkierungsproblemen bei langen Generierungen. Kanäle: Gemini App, Vertex AI, AI Studio, Gemini API, NotebookLM.
Gemini 3 Deep Think (aktualisiert am 12. Februar 2026): Großes Update des spezialisierten „Denk"-Modus. Erweiterung über Mathematik und Programmierung hinaus: Ergebnisse auf Goldmedaillenniveau bei den Internationalen Olympiaden für Physik (IPhO) und Chemie (IChO) 2025; ARC-AGI-2 — 84,6 %; Humanity's Last Exam — 48,4 %; CMT-Benchmark (theoretische Physik der kondensierten Materie) — 50,5 %; Codeforces Elo — 3.455. Der auf Deep Think basierende Forschungsagent Aletheia löste autonom mehrere offene Probleme aus der Erdős-Sammlung (einschließlich der Erdős-1051-Vermutung).

Übersichtstabelle der Gemini-Generationen

Entwicklung der Schlüsseleigenschaften der Gemini-Modelle
Generation	Erscheinungsjahr	Schlüsselversionen	Max. Kontextfenster	Wichtigste architektonische Innovationen und Verbesserungen
Gemini 1.0	2023	Ultra, Pro, Nano	32.768 Token	Native Multimodalität von Grund auf; dichter Transformer; Übertreffen des menschlichen Experten bei MMLU (90,04 % CoT@32).
Gemini 1.5	2024	Pro, Flash	1.000.000 Token (2M per Warteliste)	Mixture-of-Experts-Architektur (MoE); revolutionäre Kontexterweiterung; 99 % bei Needle In A Haystack.
Gemini 2.0	2024–2025	Pro, Flash, Flash-Lite	1.000.000–2.000.000 Token	Ära der „Agentic AI": native Werkzeugintegration, Bild- und Audiogenerierung, Live API.
Gemini 2.5	2025	Pro, Flash, Flash-Lite	1.000.000 Token (Eingabe), 64.000 (Ausgabe)	„Denkendes Modell" (Thinking Model); konfigurierbare Schlussfolgerungsbudgets; Deep Think; Bildgenerierung (Nano Banana); Computer Use.
Gemini 3.x	2025–2026	3 Pro, 3 Flash, 3.1 Pro, 3 Deep Think	1.000.000 Token	Agentische Arbeitsabläufe; thinking_level-Parameter; Durchbrüche bei ARC-AGI-2 und Wissenschaftsolympiaden; Aletheia.

Schlüsselergebnisse und Benchmarks

Mit der Sättigung klassischer Benchmarks (wie MMLU) hat sich die Bewertung der Leistung von Gemini-Modellen auf Aufgaben des abstrakten Schlussfolgerns, der wissenschaftlichen Modellierung und der autonomen Softwareentwicklung verlagert. Die Ergebnisse basieren auf offiziellen Google-Daten (selbst berichtet); Vergleiche sind nur gültig, wenn Inferenzmodus, Vorhandensein/Fehlen von Werkzeugnutzung, Stichprobenmethode (Einzelversuch vs. Mehrheitsabstimmung) und spezifische Model-ID übereinstimmen.

Ergebnisse der Gemini-Modelle bei Schlüssel-Benchmarks (Datenstand Februar 2026)
Benchmark	Aufgabenbeschreibung	Gemini 2.5 Pro (Jun. 2025)	Gemini 3 Pro (Nov. 2025)	Gemini 3.1 Pro (Feb. 2026)	Gemini 3 Deep Think (Feb. 2026)
MMLU	Multitask-Sprachverständnis	—	—	—	—
GPQA Diamond	Wissenschaftsfragen auf Promotionsniveau	84,0 %	91,9 %	94,3 %	k. A.
Humanity's Last Exam	Grenzbereiche des Fachwissens in spezialisierten Domänen	18,8 %	37,5 %	44,4 %	48,4 %
ARC-AGI-2	Abstrakte logische Denkaufgaben	4,9 %	31,1 %	77,1 %	84,6 %
SWE-bench Verified	Autonome Problembehebung in GitHub-Repositorys	63,8 %*	76,2 %	80,6 %	k. A.
AIME 2025	Mathematikprobleme auf Olympiade-Niveau	86,7 %	—	91,2 %	—
Codeforces (Elo)	Wettbewerbsprogrammierung-Rating	—	—	2.887	3.455

* Das Ergebnis von 2.5 Pro bei SWE-bench wurde mit einem benutzerdefinierten Agenten-Setup erzielt.

LMArena-Ranglisten (Momentaufnahme Ende Februar 2026)

LMArena (ehemals Chatbot Arena) ist eine unabhängige Plattform für blinde paarweise Abstimmungen. Die Ranglisten werden dynamisch neuberechnet; die Werte zum Startzeitpunkt eines Modells können von den aktuellen abweichen.

Overall (Momentaufnahme: 24. Februar 2026)
Modell	Bewertung	Rang	Stimmen	Anmerkung
Gemini 3.1 Pro Preview	1.500 ± 9	#3	4.060	Vorläufig
Gemini 3 Pro	1.486 ± 4	#5	37.854
Gemini 3 Flash	1.473 ± 5	#7	28.847
Gemini 2.5 Pro	1.464 ± 3	#9	97.296
Gemini 2.5 Flash	1.411 ± 3	#64	96.163

Bei seinem Start am 18. November 2025 erreichte Gemini 3 Pro eine Bewertung von 1.501 Elo und wurde damit das erste Modell, das die 1.500-Marke bei LMArena durchbrach.

Spezialisierte und agentische Systeme

Das Gemini-Ökosystem wurde um Modelle und Plattformen erweitert, die mehrstufige Aktionen in digitalen und physischen Umgebungen durchführen können.

Autonome Agenten

Jules — ein autonomer Programmieragent, der asynchron in sicheren Cloud-VMs arbeitet. Er erstellt Branches und Pull Requests auf GitHub. Öffentliche Beta auf der Google I/O am 20. Mai 2025 (über 140.000 Code-Verbesserungen während der Beta-Phase); GA am 6. August 2025. Ende 2025 wurde er zu einem der größten Beiträger in Googles internen Repositorys.
Project Mariner — ein Forschungsprototyp eines browserbasierten Agenten für mehrstufige Web-Aufgaben. Migration auf Cloud-VMs mit Unterstützung für bis zu 10 parallele Aufgaben und einer „Teach & Repeat"-Funktion. Erreichte 83,5 % beim WebVoyager-Benchmark. Die Computer-Use-Fähigkeiten wurden in die Gemini-API portiert.
Google Antigravity — eine integrierte Entwicklungsumgebung (IDE) zur Verwaltung von KI-Agenten, vorgestellt im November 2025. Agenten modifizieren Code autonom, interagieren mit dem Terminal und einem integrierten Browser und liefern verifizierbare Artefakte (z. B. Code-Diffs) zur Genehmigung durch den Entwickler.
Agent Aletheia — ein spezialisierter mathematischer Forschungsagent, der auf Gemini 3 Deep Think basiert. Ausgestattet mit einem Verifizierungsmodul in natürlicher Sprache und Web-Suchwerkzeugen für die Literaturrecherche. Anfang 2026 löste er autonom mehrere offene mathematische Probleme aus der Erdős-Sammlung und war Co-Autor wissenschaftlicher Publikationen.

KI-Agenten für Verbraucher

Phone Automations — Integration eines autonomen Agenten auf Betriebssystemebene von Android (Beta für Pixel 10 und Samsung Galaxy S26). Arbeitet in einer sicheren Sandbox und kann auf Basis visueller GUI-Analyse durch Drittanbieter-Apps navigieren.
Gemini in Chrome (Auto Browse) — ein Browser-Agent zur Automatisierung mehrstufiger Web-Aufgaben, seit September 2025 für alle Chrome-Nutzer verfügbar (im Januar 2026 auf Gemini 3 aktualisiert).

Computer Use

Die Modelle Gemini 2.5 Computer Use sind für die Steuerung grafischer Benutzeroberflächen (GUI) optimiert. Das System nimmt Screenshots und einen Aktionsverlauf als Eingabe entgegen und generiert Koordinaten $(x, y)$ für die programmatische Cursorsimulation und Tastatureingabebefehle.

Gemini Robotics

Im März 2025 vorgestellte Modelle der Klasse Vision-Language-Action (VLA) und Embodied Reasoning (ER). Diese Architekturen verarbeiten raumzeitliche Informationen und sagen 3D-Trajektorien von Robotermanipulatoren als native Ausgangsmodalität vorher (arXiv:2503.20020).

Spezialisierte generative Modelle (Anfang 2026)

Nano Banana 2 (Gemini 3.1 Flash Image) — veröffentlicht am 26. Februar 2026; ein visuelles Modell, das die Geschwindigkeit der Flash-Architektur mit der Qualität von Pro kombiniert. Bietet strikte Charakterkonsistenz über verschiedene Szenen hinweg, native Typografie-Generierung in Bildern und Integration kryptographischer SynthID-Wasserzeichen mit C2PA-Metadaten.
Lyria 3 — ein Musikmodell, am 18. Februar 2026 in die Gemini-App integriert. Generiert 30-sekündige Musikkompositionen (einschließlich Gesang und Instrumentierung) aus Textprompts, hochgeladenen Fotos oder Videos.
Veo 3.1 — ein Videogenerierungsmodell. Unterstützt die Erstellung von Clips mit bis zu drei Referenzbildern („Ingredients to Video"), die Generierung von Übergängen zwischen festgelegtem Anfangs- und Endbild, natives Rendering vertikaler Videos (9:16) und Hochskalierung auf 4K-Auflösung.
Med-Gemini — ein domänenspezifisches Modell für medizinische Aufgaben (arXiv:2404.18416, arXiv:2405.03162).

Anwendungen und Ökosystem

Google integriert Gemini tief in seine Verbraucher- und Entwicklerprodukte.

Verbraucherprodukte

Gemini-App: Chatbot (ehemals Bard, umbenannt am 8. Februar 2024), der Gemini-Familienmodelle als universellen KI-Assistenten nutzt. Stand Februar 2026 hat er über 750 Millionen aktive Nutzer. Der aktuelle Rollout umfasst das Modell 3.1 Pro. Abonnements: Google AI Pro (19,99 $/Monat, ersetzt Google One AI Premium) und Google AI Ultra (249,99 $/Monat, mit Zugang zu Deep Think, Veo 3 und prioritären Funktionen).
Google Workspace: Integration von Gemini in Gmail, Docs, Sheets und Meet für Schreibhilfe, Datenanalyse und Inhaltsgenerierung (umbenannt von Duet AI).
Google Search: Die Funktion AI Overviews generiert zusammenfassende Antworten auf komplexe Anfragen unter Verwendung eines spezialisierten Gemini-Modells. AI Mode, gestartet auf der Google I/O 2025, bietet tiefe Suche mit agentischen Fähigkeiten (Buchungen, Einkäufe).
Android und Pixel: Gemini Nano (v3 auf Pixel 10 mit Tensor G5-Chip, August 2025) läuft lokal auf Smartphones und bietet intelligente Antworten, Zusammenfassungen, Betrugsanruferkennung und Barrierefreiheitsfunktionen unter Wahrung der Datenprivatsphäre. Die ML Kit GenAI-APIs für Entwickler unterstützen Zusammenfassung, Korrekturlesen und Spracherkennung auf dem Gerät.
NotebookLM: Entwickelte sich von einem Notiz-Tool zu einer vollständigen kreativen Plattform. Im März 2025 in Google Workspace integriert. Unterstützt interaktive Audio Overviews, Video Overviews, Mindmaps, Folien und Infografiken. Im Dezember 2025 auf Gemini 3 aktualisiert; volles 1-Million-Token-Kontextfenster für den Chat seit Februar 2026.
Gemini Live: Die Kamera- und Bildschirmfreigabefunktionen von Project Astra wurden kostenlos für alle Android- und iOS-Nutzer.

Entwicklerplattformen

Google AI Studio und Gemini API: Hauptschnittstellen für den Zugriff auf Gemini-Modelle über die API. Stand Februar 2026 unterstützen sie Fähigkeitsblöcke: Thinking, Thought Signatures, Long Context, Tools and Agents (Google Search, Maps, Code Execution, URL Context, Computer Use, File Search, Deep Research, Live API).
Vertex AI: Unternehmensplattform mit erweiterten Sicherheits- und Verwaltungsfunktionen.
Google Gen AI SDK: Erreichte im Mai 2025 GA für Python, JavaScript/TypeScript, Go und Java und bietet einheitlichen Zugang zur Gemini-Entwickler-API und Vertex AI. Unterstützt das Model Context Protocol (MCP).
Gemini CLI: Kommandozeilenwerkzeug für KI-gestütztes Programmieren im Terminal (gestartet im Juni 2025).
Interactions API: Einheitliche Schnittstelle für Modelle und Agenten (Beta seit Dezember 2025).

API-Lebenszyklus und Versionsverwaltung

Gemini-Modelle in der API werden in die Kategorien stable, preview, latest und experimental eingeteilt. Eine spezifische model_id und eine Modellfamilie sind nicht dasselbe; für Produktionsszenarien ist die Bindung an eine konkrete Version und deren Supportzeitraum entscheidend. Die API-Dokumentation führt ein Deprecation-Register mit Abschaltdaten.

Zur Unterstützung langandauernder autonomer Aufgaben wurden eingeführt: Session Resumption (serverseitige Sitzungsstatusspeicherung für bis zu 24 Stunden) und Context Compression (Sliding-Window-Mechanismus zur automatischen Kontextkompression bei Überschreitung der Grenzwerte).

Im Dezember 2025 reduzierte Google die Free-Tier-API-Kontingente um ca. 92 % (ohne Vorankündigung), was eine scharfe Reaktion der Entwicklergemeinschaft auslöste. Gleichzeitig sanken die Gemini-Serving-Stückkosten im Laufe des Jahres 2025 durch Modelloptimierungen um 78 %.

Einschränkungen und offene Probleme

Halluzinationen und Konfabulationen: Die Modelle neigen weiterhin dazu, faktisch falsche Informationen zu generieren, insbesondere wenn Grounding-Funktionen (Search Grounding) deaktiviert sind. Gemini 3.1 Pro reduzierte die Halluzinationsraten beim SimpleQA-Benchmark im Vergleich zu früheren Versionen, aber das Problem bleibt systemisch für alle LLMs.
Unbewusstes Plagiat (Subconscious Plagiarism): Experimente mit dem Aletheia-Agenten offenbarten ein Problem, bei dem das Modell nicht-triviale Beweise aus seinem Trainingsdatensatz reproduziert und sie als autonome Entdeckungen präsentiert, was die Validierung der Neuheit in der KI-Forschung erschwert.
Degradation bei langem Kontext: Bei der Verarbeitung von Kontexten von 1 Million Token oder mehr sind die Modelle anfällig für den „Lost in the Middle"-Effekt — eine Verringerung der Genauigkeit bei der Extraktion von Fakten, die sich in der Mitte des Dokuments befinden.
Hohe Rechenkosten: Inferenz mit maximalen Deep-Think-Einstellungen erfordert erheblich mehr Zeit und Ressourcen (TPUs), was den Einsatz in synchronen Echtzeitszenarien einschränkt.
Falsch-positive Ablehnungen (Over-Refusals): Aufgrund strenger Alignment-Algorithmen neigen die Schlussfolgerungsmodelle dazu, legitime Anfragen abzulehnen, indem sie sie fälschlicherweise als potenziell gefährlich einstufen (insbesondere im Kontext der Codeanalyse und Informationssicherheit). Modellkarten weisen auch auf Probleme mit einem „belehrenden" (preachy) Ablehnungston hin.
Grenzen des Schlussfolgerns: Die Modellkarten der Serien 2.5 und 3 führen Einschränkungen bei der kausalen Verständnisfähigkeit (Causal Understanding), komplexen logischen Schlussfolgerungen (Complex Logical Deduction) und kontrafaktischem Denken (Counterfactual Reasoning) auf, ebenso wie eine unvollständige Vorhersagbarkeit bei der Einhaltung von Denkbudgets.

Ethische Aspekte und Sicherheit

Der Einsatz der Gemini-Modelle wird von einem mehrschichtigen Sicherheitssystem begleitet.

Allgemeine Rahmenwerke

Secure AI Framework (SAIF) ist Googles allgemeiner Ansatz zur Sicherheit von KI-Systemen (angekündigt im Juni 2023), der den Entwicklungskontext bildet, aber kein Gemini-spezifischer Standard ist. Frontier Safety Framework v3 (September 2025) deckt die Bereiche CBRN, Cybersicherheit, ML-F&E, schädliche Manipulation und einen explorativen Ansatz für Misalignment-Risiken ab.

Gemini-spezifische Maßnahmen

Modellkarten (Model Cards) sind die primären Informationsquellen zu Einschränkungen und Sicherheit spezifischer Modelle. Sie enthalten Abschnitte zu Vorgesehenem Verwendungszweck und Einschränkungen, Ethik und Inhaltssicherheit sowie Frontier-Sicherheit. Die Modellkarte von Gemini 3 Pro bestätigte, dass das Modell in den Bereichen CBRN und Cybersicherheit keine kritischen Fähigkeitsschwellen (Critical Capability Levels) erreicht hat.
Bias- und Toxizitätstests: Analyse und Minderung von Verzerrungen in den Trainingsdaten und der Inhaltsgenerierung.
Red Teaming: Simulation von Angriffen zur Identifizierung von Schwachstellen und unerwünschtem Verhalten. Unabhängige Misalignment-Tests fanden „gewisse Zunahmen beim Situationsbewusstsein", aber keine kritischen Risiken.

Sicherheitssonden (Safety Probes)

Zur Verhinderung der Generierung schädlicher Inhalte wird die Klassifikation verborgener Aktivierungen eingesetzt. Zur Behebung des Signalverlusts bei langen Kontexten wird die MultiMax-Architektur verwendet: Die Sonde extrahiert den Maximalwert über alle Schichten $H$ für jedes Token $j$ in der Sequenz $n_{i}$ :

$f_{MultiMax} (S_{i}) = \sum_{h = 1}^{H} max_{j \in [n_{i}]} [v_{h}^{⊤} y_{i, j}]$

Die Sonden werden mit den Basismodellen zu kaskadierenden Klassifikatoren kombiniert, wodurch die Filtergenauigkeit bei geringen Rechenkosten verbessert wird (arXiv:2601.11516).

Kryptographisches Wasserzeichen (SynthID)

Über die Live API generierte Audiodaten und Bilder (von Nano-Banana-/Flash-Image-Modellen) werden mit dem SynthID-Algorithmus markiert. Ein unsichtbares Wasserzeichen wird auf Pixel- oder Audiospektrumsebene eingebettet, was die maschinelle Erkennung generierter Inhalte ermöglicht. Das Modell Nano Banana 2 (Februar 2026) integriert SynthID mit C2PA-Metadaten.

Thinking und die Frage der Transparenz

Modelle mit Denkmodus (Serien 2.5/3) können Thought Summaries zurückgeben — kurze Zusammenfassungen des internen Schlussfolgerns anstelle des vollständigen Stroms intermediärer Token. Dies bietet ein gewisses Maß an Transparenz, wurde jedoch kritisiert, weil die tatsächlichen „rohen" Schlussfolgerungsketten hinter vereinfachten Zusammenfassungen verborgen werden.

Regulatorische Aspekte

Im Rahmen des EU-Gesetzes über künstliche Intelligenz (EU AI Act) unterzeichnete Google den EU-Verhaltenskodex für KI (veröffentlicht am 10. Juli 2025) gemeinsam mit OpenAI und Anthropic. Gemini wird als General-Purpose-AI-Modell (GPAI) mit systemischem Risiko eingestuft, was zusätzliche Sicherheitsverpflichtungen nach sich zieht (gültig seit dem 2. August 2025).

Wettbewerbslandschaft

Der Zeitraum November bis Dezember 2025 wurde zum komprimiertesten Wettbewerbszyklus in der Geschichte der KI: Gemini 3 Pro (18. November), Claude Opus 4.5 von Anthropic (24. November) und GPT-5.2 von OpenAI (11. Dezember) wurden alle innerhalb von 24 Tagen veröffentlicht. Stand Februar 2026 dominiert kein einzelnes Modell in allen Kategorien: Gemini 3 Pro führt bei LMArena in Text, Vision, Suche und Mehrsprachigkeit; GPT-5.2 führt in reiner Mathematik (100 % AIME 2025 ohne Werkzeuge) und SWE-bench Pro; Claude Opus 4.5 konkurriert bei SWE-bench Verified. Bei der API-Preisgestaltung ist Gemini ca. 42 % günstiger als GPT-5 für vergleichbare Anfragen.

Geschäftskennzahlen

Laut dem Ergebnisbericht von Alphabet für das 4. Quartal 2025 (veröffentlicht am 4. Februar 2026): Der Umsatz von Google Cloud betrug 17,7 Mrd. Dollar im Quartal (+48 % im Jahresvergleich); die operative Marge lag bei 29,9 %; der Cloud-Auftragsbestand erreichte 240 Mrd. Dollar (Verdopplung im Jahresvergleich). Über 120.000 Unternehmen nutzen Gemini. Im Januar 2026 kündigte Apple Pläne zur Integration von Gemini in Siri an. Google verarbeitet über 10 Milliarden Token pro Minute über die API. Googles interne KI-Agenten generieren ca. 50 % des unternehmenseigenen Codes. Die Investitionsausgaben für 2026 sind mit 175–185 Mrd. Dollar geplant (nahezu das Doppelte der 91,45 Mrd. von 2025).

Weblinks

Literatur

Primäre technische Berichte zu Gemini

Gemini Team, Google (2023). Gemini: A Family of Highly Capable Multimodal Models. arXiv:2312.11805.
Gemini Team, Google (2024). Gemini 1.5: Unlocking multimodal understanding across millions of tokens of context. arXiv:2403.05530.
Comanici, G. et al. (2025). Gemini 2.5: Pushing the Frontier with Advanced Reasoning, Multimodality, Long Context, and Next Generation Agentic Capabilities. arXiv:2507.06261.

Spezialisierte Modelle und Anwendungen

Saab, K. et al. (2024). Capabilities of Gemini Models in Medicine. arXiv:2404.18416.
Yang, L. et al. (2024). Advancing Multimodal Medical Capabilities of Gemini. arXiv:2405.03162.
Gemini Robotics Team (2025). Gemini Robotics: Bringing AI into the Physical World. arXiv:2503.20020.
Feng, T., Trinh, T., Bingham, G. et al. (2026). Semi-Autonomous Mathematics Discovery with Gemini: A Case Study on the Erdős Problems. arXiv:2601.22401.
DeepMind Research Team (2026). Building Production-Ready Probes For Gemini. arXiv:2601.11516.
Fu, Y., Wang, X., Tian, Y., Zhao, J. (2025). Deep Think with Confidence. arXiv:2508.15260.

Hintergrundliteratur (Übersichten und Methoden)

Wei, J. et al. (2022). Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. arXiv:2201.11903.
Zhang, Z. et al. (2022). Automatic Chain of Thought Prompting in Large Language Models. arXiv:2210.03493.
Zhang, Z. et al. (2023). Multimodal Chain-of-Thought Reasoning in Language Models. arXiv:2302.00923.
Cai, W. et al. (2024). A Survey on Mixture of Experts in Large Language Models. arXiv:2407.06204.
Dai, Z. et al. (2019). Transformer-XL: Attentive Language Models Beyond a Fixed-Length Context. arXiv:1901.02860.
Ding, J. et al. (2023). LongNet: Scaling Transformers to 1,000,000,000 Tokens. arXiv:2307.02486.
Yin, S. et al. (2024). A Survey on Multimodal Large Language Models. arXiv:2306.13549.
Wang, X. et al. (2023). Large-scale Multi-Modal Pre-trained Models: A Comprehensive Survey. arXiv:2302.10035.
Chen, Q. et al. (2025). Towards Reasoning Era: A Survey of Long Chain-of-Thought for Reasoning Large Language Models. arXiv:2503.09567.

Offizielle Google-Blogbeiträge

Google (2023). Introducing Gemini: Google's most capable AI model yet. The Keyword, 06.12.2023.
Google DeepMind (2024). Introducing Gemini 1.5. The Keyword, 15.02.2024.
Google (2024). Introducing Gemini 2.0: A new AI model for the agentic era. The Keyword, 11.12.2024.
Google DeepMind (2025). Gemini 2.0 model updates. The Keyword, 05.02.2025.
Google DeepMind (2025). Gemini 2.5: Our newest Gemini model with thinking. The Keyword, 25.03.2025.
Google DeepMind (2025). Google I/O 2025: Updates to Gemini 2.5. The Keyword, 20.05.2025.
Google (2025). Gemini 3: Introducing the latest Gemini AI model. The Keyword, 18.11.2025.
The Deep Think Team (2026). Gemini 3 Deep Think: Advancing science, research and engineering. Google Blog, 12.02.2026.
The Gemini Team (2026). Gemini 3.1 Pro: A smarter model for your most complex tasks. Google Blog, 19.02.2026.