Google Antigravity führt Orchestrator ein: Carbon ist für das Denken zuständig, Hydrogen für die Ausführung; offizielle Tests zeigen eine Reduzierung des Kontingentverbrauchs um 24 %

Anmerkung des Autors: Eine Erläuterung der Aufteilung von Planung und Ausführung im Google Antigravity Orchestrator, der Bedeutung der offiziellen Testdaten zu 24 % Kontingent und 19 % Geschwindigkeit sowie der Unterschiede bei der Auswahl gegenüber eigenständigen Modellen und parallelen Agenten.

Am 12. November 2026 veröffentlichte Google Gemini 4 Hydrogen und führte gleichzeitig in Antigravity die Multimodell-Orchestrierung mit dem Orchestrator ein. Das Prinzip: In derselben Entwicklungsaufgabe übernimmt Carbon oder Argon die Planung, während Hydrogen die Ausführung übernimmt. Googles offizieller Vergleichstest zeigt, dass der Orchestrator im Vergleich zur alleinigen Nutzung von Carbon den Kontingentverbrauch um durchschnittlich 24 % senkt und die Fertigstellung um 19 % beschleunigt.

Das ist kein bloßes Gerücht: Der offizielle Google-Antigravity-Blog, die Dokumentation zur Modellauswahl und die Google-Release-Übersicht bestätigen diese Funktion. Dieser Artikel fasst die bisher öffentlich verfügbaren Informationen zum Google Antigravity Orchestrator zusammen – einschließlich der Funktionsweise, der richtigen Interpretation der Testdaten, der Tarife und Einstiegspunkte sowie der Frage, welche Aufgaben sich dafür eignen.

Der Kernwert: Nach dem Lesen dieses Artikels kannst du einschätzen, ob deine Engineering-Aufgabe den Orchestrator, den eigenständigen Hydrogen-Modus oder den eigenständigen Carbon-/Argon-Modus erfordert.

Zusammenfassung in einem Satz: Der Antigravity Orchestrator lässt in einer einzigen Agent-Sitzung Carbon oder Argon planen und Hydrogen ausführen; Google hat offiziell von Vorteilen bei Kontingent und Geschwindigkeit berichtet.

to know: 5 Begriffe, die du vor dem Lesen kennen solltest

• Planner (Planer): Die Modellrolle, die für die Analyse der Aufgabe, die Erstellung eines Plans und bei Bedarf für die Neuplanung zuständig ist; im Orchestrator übernimmt Carbon oder Argon diese Rolle.
• Executor (Ausführer): Die Rolle, die gemäß dem Plan Code ändert, Tools ausführt und Ergebnisse überprüft; im Orchestrator übernimmt Hydrogen diese Rolle.
• Agent: Ein System, in dem Modell und Tool-Ausführungsumgebung gemeinsam mehrstufige Aufgaben erledigen; es ist nicht mit einem einzelnen Modell gleichzusetzen.
• Kontingent: Die Quote, mit der die Plattform die verfügbare Servicemenge begrenzt. Ein geringeres Kontingent bedeutet nicht zwangsläufig eine niedrigere tatsächliche Rechnung.
• Harness: Ein Testrahmen, der Modelleingaben, Tool-Ausführung und Aufgabenbewertung organisiert. Dasselbe Modell kann in unterschiedlichen Harnessen unterschiedliche Ergebnisse erzielen.

Google Antigravity Orchestrator – Kerninformationen auf einen Blick

Warum Google einen Antigravity Orchestrator einführt

Eine echte Softwareentwicklungsaufgabe besteht in der Regel aus ganz unterschiedlichen Arbeiten: zuerst den Codebestand und die Abhängigkeiten verstehen, dann entscheiden, wo und wie geändert werden soll, anschließend Dateien im Batch bearbeiten, Builds und Tests laufen lassen und zum Schluss die Ergebnisse prüfen. Diese Schritte stellen sehr unterschiedliche Anforderungen an die Inferenzfähigkeit. „Entscheiden, wie geändert wird“ verlangt tiefe Urteilskraft, während „zehn Dateien nach dem Plan anpassen und Tests laufen lassen“ eher auf Geschwindigkeit, präzises Editieren und die Stabilität von Tool-Aufrufen ankommt.

Geht die gesamte Aufgabe an ein High-End-Inferenzmodell wie Carbon, dann werden auch die vielen repetitiven Vorgänge in der Ausführungsphase nach Takt und Kontingent eines High-End-Modells abgerechnet – Aufgabenzeit und Budgetbelastung steigen. Setzt man dagegen nur ein leichtgewichtiges Modell ein, kann es bei der Lösungsplanung oder bei kniffligen Fehlern zu Fehlentscheidungen kommen, was Nacharbeit nach sich zieht.

Genau diese Lücke schließt die Positionierung von Hydrogen. Google definiert es als hocheffizientes Modell für den alltäglichen Programmier- und Agent-Betrieb, mit Betonung auf präzisem Editieren, Multi-Tool-Aufrufen und der Fähigkeit, nach einem fehlgeschlagenen Tool-Aufruf die Strategie anzupassen. Ausdrücklich heißt es, es könne in einem Multi-Modell-System die Rolle des Ausführenden oder des Validierers übernehmen. Der Orchestrator macht diese Arbeitsteilung zum Produkt: Das teure Modell kommt nur dort zum Einsatz, wo Urteilskraft am dringendsten gebraucht wird.

Wie der Antigravity Orchestrator funktioniert: Carbon denkt, Hydrogen führt aus

Laut der offiziellen Google-Antigravity-Dokumentation beurteilt der Orchestrator die Schwierigkeit nicht nur einmal beim Eingang einer Anfrage und wählt dann ein Modell, das die gesamte Aufgabe erledigt. Stattdessen wechselt er innerhalb derselben Aufgabe wiederholt zwischen Planungs- und Ausführungsmodell.

Der fünfstufige Workflow des Orchestrators

Am offiziellen Beispiel einer Abhängigkeitsaktualisierung sieht ein vollständiger Ablauf ungefähr so aus:

1. Codebasis analysieren: Carbon (oder Argon) erfasst Code-Struktur und Abhängigkeiten im Nur-Lese-Modus.
2. Plan erstellen: Der Planner legt Umfang und Schritte der Änderungen fest und bestimmt gleichzeitig, in welchen Situationen neu geplant werden muss.
3. Code ändern: Hydrogen übernimmt die eigentlichen Bearbeitungen und aktualisiert die Abhängigkeiten.
4. Tests ausführen: Hydrogen führt Build und Tests aus und prüft, ob die Änderungen wirken.
5. Ergebnisse validieren: Läuft alles fehlerfrei durch, werden die Ergebnisse geprüft und die Aufgabe beendet; bei komplexen Fehlern geht es zurück an den Planner.

Wann der Orchestrator neu plant

Die offizielle Dokumentation nennt mehrere Fälle, in denen die Kontrolle wieder an den Planner zurückgeht: wenn der Validierungsschritt zweimal hintereinander fehlschlägt, wenn sich eine Schnittstelle anders verhält als erwartet, oder wenn bei der Umsetzung Designentscheidungen auftauchen, die der ursprüngliche Plan nicht abdeckt. Der Planner beurteilt die Lage neu, passt den Plan an und übergibt dann wieder an Hydrogen, der die weiteren Änderungen und Validierungen ausführt.

Dieser Mechanismus ist entscheidend. Das Ausführungsmodell versucht nicht endlos blind erneut, sondern gibt die Entscheidungshoheit rechtzeitig ab, wenn etwas „über den ursprünglichen Plan hinausgeht“; das leistungsfähigere Modell greift nur an den entscheidenden Stellen ein.

Der Unterschied zwischen dynamischer Übergabe und einmaligem Modell-Routing

Das übliche „Modell-Routing“ nimmt einmalig am Eingang einer Anfrage eine Einteilung vor: einfache Aufgaben an ein kleines Modell, komplexe an ein großes – und danach ändert sich nichts mehr. Der Unterschied beim Orchestrator besteht darin, dass innerhalb einer Aufgabe mehrfach übergeben wird, Planung und Ausführung von unterschiedlichen Modellen übernommen werden und während der Ausführung jederzeit eine Rückkehr zur Planungsphase möglich ist. Geroutet werden Aufgabenphasen, nicht die gesamte Anfrage.

Orchestrator im offiziellen Test: Was 24 % Quota und 19 % Geschwindigkeit bedeuten

Alle folgenden Daten stammen aus Googles offiziellen Vergleichstests für Terminal-Aufgaben, bei denen „Orchestrator“ mit „Carbon allein“ verglichen wurde.

Warum die Arbeitsteilung mehrerer Modelle Quota spart

Der Nutzen entsteht hauptsächlich in der Ausführungsphase. Schritte wie Code-Bearbeitung, das Aktualisieren von Abhängigkeiten und wiederholtes Ausführen von Tests haben viele Aufrufe und lange Kontexte. Würde all das von Carbon erledigt, käme es zu zahlreichen wiederholten Aufrufen des High-End-Modells. Übergibt man diese Aufgaben an Hydrogen, übernimmt Carbon nur die anfängliche Planung und die Replanung zwischendurch – die Anzahl der High-End-Inferenzaufrufe sinkt dadurch naturgemäß. Auch an den API-Listenpreisen lässt sich der Kostenunterschied ablesen: Stand 13. November 2026 lagen im offiziellen Standardpreis von Google AI Studio die Eingabe- und Ausgabekosten von Hydrogen bei 1,50 US-Dollar bzw. 7,50 US-Dollar pro Million Tokens; Carbon kostete bis 30. November 2026 2 US-Dollar bzw. 10 US-Dollar pro Million Tokens, und laut offizieller Seite wird der Preis ab dem 1. Dezember auf 4 US-Dollar und 20 US-Dollar angepasst.

Zu beachten ist, dass es sich hier um API-Preise handelt, während Orchestrator im Abonnement-Quotensystem von Antigravity läuft. Beide werden unterschiedlich gemessen. Man kann die API-Preise nicht heranziehen, um die „tatsächlichen Kosten“ von Orchestrator abzuleiten.

Was diese Zahlen für Entwicklungsteams bedeuten

Für Teams gilt: Die Effizienz von KI-Programmierwerkzeugen lässt sich nicht allein an der Qualität einer einzelnen Antwort messen. Man sollte gleichzeitig drei Dimensionen betrachten: Aufgaben-Erfolgsquote, Quota-Verbrauch und Fertigstellungszeit. Die offiziellen Ergebnisse von Orchestrator zeigen, dass sich die beiden letztgenannten verbessern, während die Erfolgsquote im Wesentlichen unverändert bleibt. Das liefert Teams einen brauchbaren Ansatz: „Planungsqualität“ und „Ausführungsdurchsatz“ getrennt zu bewerten, statt nur auf das stärkste Modell zu starren.

💡 Hinweis zu den Daten: Die Effizienzzahlen in diesem Abschnitt stammen aus Googles offiziellen Vergleichstests; eine unabhängige Wiederholung durch Dritte gibt es noch nicht. Wenn Sie die Wirkung der Arbeitsteilung „Planungsmodell + Ausführungsmodell“ im eigenen Geschäft verifizieren möchten, können Sie über APIYI apiyi.com mit demselben Key Modelle verschiedener Stufen aufrufen und selbst ein Vergleichsexperiment aufsetzen.

Orchestrator im Vergleich zu eigenständigen Modellen und parallelen Agenten

Vergleichsanalyse: eigenständiges Carbon: Carbon bleibt bei komplexen Entscheidungen führend, verbraucht aber bei den repetitiven Abläufen in der Ausführungsphase auch Kontingent und Zeit eines High-End-Modells. Im Vergleich dazu erzielt der Orchestrator bei den meisten üblichen Engineering-Aufgaben, die aus Planung plus Ausführung bestehen, eine ähnlich hohe Erfolgsquote bei geringerem Kontingentverbrauch.

Vergleichsanalyse: eigenständiges Hydrogen: Hydrogen ist schnell und präzise beim Editieren, hat aber bei Designentscheidungen, die das ursprüngliche Vorgehen nicht abdeckt, kein stärkeres Modell als Rückfallebene. Für Aufgaben mit klaren Anforderungen und ohne wiederholte Entscheidungen bleibt es dennoch die direkteste Wahl.

Vergleichsanalyse: parallele Multi-Agenten: Google stellt ausdrücklich klar, dass der Orchestrator innerhalb einer Sitzung nur einen einzigen Agenten unterhält und die verschiedenen Phasen durch die Übergabe zwischen mehreren Modellen abschließt. Wenn mehrere Agenten gleichzeitig Teilaufgaben bearbeiten oder sich gegenseitig prüfen sollen, sind Funktionen wie Subagents, Swarm, Boost oder Teamwork die richtige Wahl. Beide Ansätze lösen unterschiedliche Probleme: Der eine betrifft die Frage, wie die Arbeit innerhalb einer einzelnen Aufgabe aufgeteilt wird, der andere die Frage, ob die Anzahl der Agenten erhöht werden sollte.

Orchestrator in Antigravity verwenden

Zuordnung von Orchestrator-Modi und Tarifen

In der Antigravity App öffnen Sie einfach das Modellauswahlmenü neben dem Eingabefeld für den Chat und wählen dort Orchestrator (Carbon) oder Orchestrator (Argon). Für die Antigravity CLI sieht das offizielle Beispiel so aus (die folgende Syntax stammt aus der offiziellen Dokumentation und wurde für diesen Artikel nicht lokal getestet):

# Verfügbare Modelle für das aktuelle Konto anzeigen
agy models

# Nach dem Start der Sitzung mit /model den Orchestrator auswählen

# Alternativ direkt beim Start angeben
agy -p "Add input validation to the signup form and run the tests." --model "Orchestrator (Argon)"

Wichtig: Der Orchestrator verwendet eine feste Reasoning-Konfiguration, Stufen wie Low, Medium, High oder Extra lassen sich dafür nicht separat einstellen. Wenn Sie die Reasoning-Stufe anpassen möchten, wechseln Sie zu einem eigenständigen Modell. Außerdem gab es am Veröffentlichungstag Rückmeldungen von Nutzern, dass die Modelloption zwar sichtbar war, der Aufruf aber fehlschlug und dass die Freischaltung je nach Konto zu unterschiedlichen Zeitpunkten erfolgte. Solche Fälle hängen vermutlich mit der schrittweisen Einführung zusammen – in dem Fall einfach später noch einmal versuchen.

Planung und Ausführung in einem eigenen Agent nachbilden

Der Orchestrator ist eine Produktfunktion von Antigravity, doch der Ansatz „starkes Modell plant, schnelles Modell führt aus, nach zwei Fehlversuchen zurück an den Planer“ lässt sich vollständig in einem eigenen Agent umsetzen. Unten steht ein minimalistisches Beispiel auf Basis einer OpenAI-kompatiblen Schnittstelle – die Modellnamen richten sich nach der Modellliste der jeweiligen Plattform:

from openai import OpenAI

client = OpenAI(api_key="YOUR_API_KEY", base_url="https://api.apiyi.com/v1")

PLANNER = "your-reasoning-model"   # Planungsmodell, gemäß der Modellliste der Plattform
EXECUTOR = "your-fast-model"       # Ausführungsmodell, gemäß der Modellliste der Plattform

def ask(model, system, user):
    r = client.chat.completions.create(model=model, messages=[
        {"role": "system", "content": system}, {"role": "user", "content": user}])
    return r.choices[0].message.content

plan = ask(PLANNER, "你是架构师，输出分步实施方案。", "为注册表单增加输入校验")
print(ask(EXECUTOR, "严格按方案执行，只输出代码改动。", plan))

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"
)

PLANNER = "your-reasoning-model"
EXECUTOR = "your-fast-model"
MAX_FAILS = 2  # Gemäß Antigravity-Dokumentation: nach zwei aufeinanderfolgenden Fehlversuchen in der Verifikation zurück an den Planer

def ask(model: str, system: str, user: str) -> str:
    r = client.chat.completions.create(
        model=model,
        messages=[{"role": "system", "content": system},
                  {"role": "user", "content": user}],
    )
    return r.choices[0].message.content

def run_tests(patch: str) -> tuple[bool, str]:
    """Durch Ihre eigene Build- und Testlogik ersetzen, Rückgabe: (bestanden, Log)"""
    raise NotImplementedError

def orchestrate(task: str, max_replans: int = 3) -> str:
    plan = ask(PLANNER, "你是规划者，输出分步方案及重新规划条件。", task)
    for _ in range(max_replans):
        fails, log = 0, ""
        while fails < MAX_FAILS:
            patch = ask(EXECUTOR, "你是执行者，严格按方案修改代码。",
                        f"方案：\n{plan}\n上次测试日志：\n{log}")
            ok, log = run_tests(patch)
            if ok:
                return patch
            fails += 1
        # Aufeinanderfolgende Fehlversuche – zurück an das Planungsmodell zur Neubewertung
        plan = ask(PLANNER, "执行连续失败，请根据日志修订方案。",
                   f"原任务：{task}\n原方案：{plan}\n失败日志：{log}")
    raise RuntimeError("多次重新规划后仍未通过验证")

🚀 Tipp für den schnellen Einstieg: Beim Aufbau solcher „Planung + Ausführung“-Prototypen empfiehlt es sich, über APIYI apiyi.com ein kostenloses Testkontingent zu beziehen. Ein API-Schlüssel genügt, um gängige Modelle wie OpenAI, Claude und Gemini aufzurufen – um zwischen PLANNER und EXECUTOR zu wechseln, muss nur ein String geändert werden, was den schnellen Vergleich verschiedener Kombinationen erleichtert.

Antigravity Orchestrator: Wirkungsanalyse – welche Entwicklungsaufgaben am besten geeignet sind

Auswirkungen auf Entwickler

• Reguläre Funktionsentwicklung: Die klare Dreiteilung in Planung, Implementierung und Test ist das typischste Szenario für den Orchestrator.
• Bug-Fixes über mehrere Dateien: Der Planner lokalisiert die Ursache, Hydrogen ändert mehrere Dateien und verifiziert das Ergebnis mit Tests; schlägt das fehl, geht es zur Beurteilung zurück.
• Refactoring mittlerer Komplexität: Das Konzept wird vom Planungsmodell gesteuert, die vielen konkreten Änderungen übernimmt das Ausführungsmodell – so bleibt das High-End-Modell nicht in mechanischer Editierarbeit stecken.
• Aktiveres Kontingentmanagement: Für Abonnenten heißt das, alltägliche Aufgaben mit dem Orchestrator zu erledigen und mehr Budget für Arbeiten aufzusparen, die wirklich tiefes Reasoning erfordern.

Auswirkungen auf die Branche

• „Planer + Ausführender“ wird zum Produktmodell: Modellanbieter integrieren die Multi-Modell-Zusammenarbeit zunehmend direkt in Entwicklungstools, statt sie allein den Nutzern zur eigenen Orchestrierung zu überlassen.
• Vielfältigere Bewertungsmetriken: Neben der Erfolgsrate tauchen Kontingentverbrauch und Fertigstellungszeit immer häufiger in Vergleichen von Agent-Tools auf.

Empfehlungen zur Szenario-Auswahl beim Orchestrator

Häufig gestellte Fragen (FAQ)

Google Antigravity Orchestrator – die wichtigsten Erkenntnisse

• Kerndefinition: Innerhalb einer einzigen Agent-Sitzung plant Carbon / Argon, Hydrogen führt aus – mit dynamischer Übergabe.
• Zentraler Mechanismus: Schlägt die Validierung zweimal hintereinander fehl, geht die Aufgabe zurück an das Planungsmodell zur Neubewertung.
• Offizielle Daten: Im Vergleich zu Carbon allein 24 % weniger Kontingent, 19 % schneller – bei ähnlicher Erfolgsquote.
• Richtige Interpretation: Kontingentverbrauch ist nicht gleich Rechnung; die Benchmark-Versionen sind in den beiden Ankündigungen unterschiedlich gekennzeichnet.
• Voraussetzungen: Ultra kann beide Modi nutzen, berechtigte Pro-Nutzer den Argon-Modus.
• Einstieg: Eigene Agents können über die einheitliche Schnittstelle von APIYI apiyi.com die Aufteilungsidee nachbauen.

Zusammenfassung

Die Kernpunkte des Google Antigravity Orchestrator:

1. Aufteilung statt Ersatz: Es geht nicht darum, teure Modelle durch günstige zu ersetzen, sondern Carbon / Argon das Urteilen und Hydrogen die Ausführung zu überlassen.
2. Dynamische Übergabe: Treten bei der Ausführung Anomalien auf, geht es zurück in die Planungsphase – das ist der entscheidende Unterschied zur einmaligen Modellweiterleitung.
3. Offizieller Nutzen: Bei ähnlicher Erfolgsquote wie Carbon sinkt im offiziellen Test das Kontingent um 24 % und die Geschwindigkeit steigt um 19 %.
4. Auswahl nach Komplexität: Für routinemäßige mehrstufige Aufgaben Orchestrator, für tiefe Architektur Carbon / Argon, für klar umrissene Alltagsaufgaben Hydrogen.

Für die meisten alltäglichen Entwicklungsaufgaben ist der Orchestrator eine vernünftige Standardwahl, die Qualität und Kontingent in Einklang bringt. Wenn du denselben Ansatz in deinem eigenen Produkt umsetzen möchtest, empfiehlt es sich, über APIYI apiyi.com schnell zu testen, wie verschiedene Modellkombinationen abschneiden – die Plattform bietet kostenloses Kontingent und eine einheitliche Schnittstelle für mehrere Modelle.

📚 Referenzen

1. Offizieller Google-Antigravity-Blog: Gemini 4 Hydrogen und Orchestrator
2. Link: antigravity.google/blog/gemini-4-hydrogen-in-google-antigravity

3. Beschreibung: Ankündigung des Orchestrator mit den offiziellen Testwerten 24 % / 19 %, der Benchmark ist hier als Terminal-Bench 4.1 ausgewiesen

4. Google-Antigravity-Dokumentation: Choose a Model / Orchestrator

5. Link: antigravity.google/docs/models

6. Beschreibung: Planner-/Executor-Mechanismus, Bedingungen für eine erneute Planung, CLI-Beispiele und Empfehlungen zur Modellauswahl

7. Offizieller Google-Blog: Introducing Gemini 4 Hydrogen

8. Link: blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-gemini-4-hydrogen

9. Beschreibung: Überblick zur Veröffentlichung von Hydrogen; dasselbe Vergleichsergebnis ist hier als Terminal-Bench 4.0 gekennzeichnet

10. Offizielle chinesische Google-Mitteilung: Gemini 4 Hydrogen

11. Link: china.googleblog.com/2026/11/gemini-4-hydrogen.html

12. Beschreibung: Chinesische Veröffentlichungsinformationen, die Benchmark-Version ist ebenfalls als 4.0 ausgewiesen

13. Google AI Studio Preisseite: API-Preise der Gemini-Reihe

14. Link: aistudio.google.com/docs/pricing

15. Beschreibung: Standard-API-Preise für Hydrogen, Carbon und Argon sowie die Zeitpunkte der Preisanpassungen

16. Antigravity-Pakete und Erläuterung zum geteilten Kontingent

17. Link: antigravity.google/blog/changes-to-antigravity-plans
18. Beschreibung: Abonnementpakete und das Quotensystem

Autor: APIYI-Technikteam
Technischer Austausch: Sie können uns gerne über die Startseite der APIYI-Website kontaktieren; weitere Materialien finden Sie im Dokumentationszentrum unter docs.apiyi.com

Weiterführende Artikel

• Google Antigravity führt /swarm ein: KI-Programmierung wandelt sich von der Ausführung durch einen einzelnen Agenten zur Teamarbeit mehrerer Agenten – eine Analyse der 4 Rollentypen: Erläuterung der Vorschaufunktion /swarm von Google Antigravity: Wie Coordinator, Worker, Verifier und Monitor die Aufgaben aufteilen und zusammenarbeiten, sowie Arbeitskopien, Visualisierungspanel, Kontingentverbrauch und Berechtigungsgrenzen auf einen Blick.
• Gemini 4 Carbon nutzt /swarm, um eine 3D-Welt des Google-Campus zu erstellen: Eine Analyse der offiziellen Google-Demo eines Open-World-Spiels, in dem ein Pelikan ein GBike fährt: Wie Gemini 4 Carbon mithilfe von Antigravity /swarm mehrere Agenten für 3D-Assets, Browserspiel und Sounddesign koordiniert, und wo seine Grenzen liegen.
• Von historischen Fotos zu interaktivem 3D: Gemini 4 Carbon rekonstruiert den Bau des Eiffelturms mit nur einer Eingabeaufforderung: Analyse der Google-Eiffelturm-Demo: Wie Gemini 4 Carbon mithilfe der /swarm-Multi-Agent-Zusammenarbeit von Antigravity historische Fotos und technische Konstruktionszeichnungen zu einer interaktiven dreidimensionalen Three.js-Ausstellung organisiert.
• Vom „amerikanischen Doubao" zum Top-Programmiermodell: Was hat Gemini in drei Jahren durchgemacht? Die 12 wichtigsten Meilensteine im Überblick: Eine Übersicht der 12 Schlüsselmeilensteine von Gemini von Version 1.0 im Jahr 2023 bis Gemini 4 Carbon im Jahr 2026, die die Entwicklung von multimodal, langem Kontextfenster, Thinking und Werkzeugaufrufen bis zu Agentic Coding deutet und ihren Einfluss auf die Modellauswahl von Entwicklern erläutert.
• Gemini 4 Hydrogen vs. Gemini 4 Carbon: Was wählt man im Alltag?: Erklären Sie anhand von Positionierung, Denkstufe, Kontext und Ausgabe, Preis sowie Orchestrator-Nutzung, wie Gemini 4 Hydrogen und Gemini 4 Carbon im Alltag die Aufgaben aufteilen und welche Modelle derzeit über APIYI aufrufbar sind.
• Wie stark ist Gemini 4 Hydrogen? In der offiziellen Tabelle gewinnt es 7 von 10 Kategorien.: Google stellte am 12.11.2026 Gemini 4 Hydrogen vor: Laut offizieller Modellkarte gewinnt es 7 von 10 Vergleichen, ist 2,5-mal schneller als Gemini 3.8 Flash und steigert Terminal-Bench 4.1 von 18,2 % auf 57 %, wobei Messgrundlagen, Preis und aktueller Aufrufstatus dieser Zahlen erläutert werden.
• Gemini 4 Hydrogen im Vergleich zu Claude Sonnet 5.5: 10 Kriterien für die Auswahl: Offizielle Modellkarte (10 Punkte) und Preise: Gemini 4 Hydrogen führt in 7 Punkten und ist bei kurzen Eingabeaufforderungen günstiger, Claude Sonnet 5.5 liegt in Terminal, Computerbedienung und wissenschaftlichem Terminal in 3 Punkten vorn, mit Auswahlempfehlungen und APIYI-Integrationshinweisen.