Gemini 4 Pro könnte in der Arena aufgetaucht sein – doch die größere Geschichte ist die rekursive Selbstverbesserung
Google war bei der Pro-Seite der Gemini-Produktfamilie ungewöhnlich zurückhaltend, während sich die Flash-Modelle schnell weiterentwickelt haben.
Gemini 3.6 Flash, 3.7 Flash und 3.8 Flash wurden in rascher Folge veröffentlicht. Google veröffentlichte Gemini 3.8 Flash am 2. September 2026 offiziell und bezeichnete es als sein leistungsfähigstes Flash-Modell für langfristige Softwareentwicklung, autonome Agenten und anspruchsvolle mehrstufige Aufgaben.
Dann geschah etwas Merkwürdiges.
Ein Modell mit derselben Bezeichnung gemini-3.8-flash tauchte in der Arena auf. Entwickler, die es testeten, sagten jedoch, sein Verhalten wirke deutlich leistungsfähiger als das des bereits bekannten produktiven Gemini 3.8 Flash.
Das Modell erzeugte ausgefeiltere SVGs, vollständigere Weboberflächen, reichhaltigere 3D-Szenen und stärkere agentenartige Ausgaben, als Tester vom öffentlichen Gemini-3.8-Flash-Release erwartet hatten.
Das löste eine sich schnell verbreitende Theorie aus:
Das Arena-Modell könnte tatsächlich ein verborgenes Testmodell für Gemini 4 Pro sein.
Die Hinweise sind interessant, aber weiterhin nur indirekt. Google hat Gemini 4 Pro nicht angekündigt, und nach dem Stand vom 20. September führt Googles öffentliche Gemini-Modelldokumentation kein Gemini-4-Modell auf.
Der wichtigere Teil der Geschichte könnte daher an anderer Stelle liegen: KI-Systeme werden zunehmend eingesetzt, um die nächste Generation von KI-Systemen zu bewerten, zu optimieren und zu entwickeln.
Hier kommt die rekursive Selbstverbesserung, kurz RSI, ins Spiel.
Googles bestätigte Veröffentlichungen liefern einen hilfreichen Kontext.
Gemini 3.8 Flash wurde am 2. September veröffentlicht, nur drei Wochen nach Gemini 3.7 Flash. Google bezeichnete es als seinen dritten Flash-Release innerhalb von sechs Wochen und erklärte, dass es Softwareentwicklung, Agentenaufgaben und anspruchsvolles mehrstufiges Denken verbessere – bei Geschwindigkeit und Kosten auf Flash-Niveau.
Da das echte 3.8 Flash bereits öffentlich verfügbar ist, haben Entwickler einen direkten Vergleichspunkt.
Als daher ein zweites Modell mit demselben Namen in der Arena auftauchte und deutlich leistungsfähiger zu sein schien, wurde dies schnell bemerkt.
Bei einem weithin geteilten Vergleich sollten Modelle eine Hauskatze in Seitenansicht als SVG zeichnen.
Die drei in der Quelle gezeigten Ergebnisse waren von links nach rechts als das mutmaßliche „Gemini 4 Pro“, GPT-6 Astra und das veröffentlichte Gemini 3.8 Flash gekennzeichnet.
Das anonyme Arena-Ergebnis wirkte vollständiger und hinsichtlich der Proportionen ausgefeilter als die Ausgabe des produktiven Flash-Modells.
Allein dadurch lässt sich das verborgene Modell jedoch nicht identifizieren. Die Arena basiert auf blinden oder teilweise anonymisierten Bewertungen, und ein leistungsfähigeres anonymes Modell könnte ein neues Testmodell, ein anders konfiguriertes System oder eine andere unveröffentlichte Gemini-Variante sein.
Der Unterschied war jedoch groß genug, um das Gerücht am Leben zu halten.
Weitere Tester setzten das Modell komplexeren Generierungsaufgaben aus.
Ein Nutzer berichtete, dass das mutmaßliche Modell ungefähr acht Minuten benötigte, um eine interaktive Pagodenszene im Voxel-Stil zu erzeugen.
Derselbe Tester beschrieb außerdem eine detaillierte Website für einen Airbus-H145-Hubschrauber, die in etwa zehn Minuten erstellt wurde, sowie eine monochrome Website, die ungefähr vierzehn Minuten benötigte.
Ein anderer Community-Tester nutzte das mutmaßliche Modell, um ein Spiel zu erstellen, und berichtete von hoher visueller Qualität und einer umfassenden Weltgenerierung.
Das gemeinsame Muster war nicht die reine Geschwindigkeit. Das Modell schien häufig länger zu denken oder zu generieren, als es bei einem gewöhnlichen Flash-Modell zu erwarten wäre.
Dieses Verhalten selbst verstärkte die Theorie, dass sich hinter der Arena-Bezeichnung ein Pro-Modell verbergen könnte.
Eine noch sensationellere Behauptung kam vom Entwickler Qwinah, der angab, sich per „Ghost-Routing“ mit einem Gemini-4-Pro-Backend verbunden zu haben.
Er veröffentlichte einen Screenshot, der interne Modelldaten zu zeigen schien. Darin waren Zeichenfolgen wie G4P-ARGON und VIA_3.8_FLASH zu sehen.
Der Screenshot behauptete außerdem folgende Fähigkeiten:
Diese Behauptungen wurden weder von Google, Google DeepMind, der Arena noch in der offiziellen Gemini-Dokumentation bestätigt.
Der Screenshot sollte daher als nicht verifiziertes Community-Artefakt und nicht als Datenblatt behandelt werden.
Nach dem Stand vom 20. September führt Googles veröffentlichte Gemini-API-Dokumentation Gemini 3.8 Flash mit einem Eingabelimit von 1.048.576 Token und einem Ausgabelimit von 65.536 Token auf. Es gibt keine offizielle Gemini-4-Pro-Produktseite und keine offizielle API-Kennung.
Eine separate Benchmark-Tabelle verbreitete sich ebenfalls weit in der Community.
Die Tabelle behauptete, dass das mutmaßliche Gemini 4 Pro ungefähr folgende Ergebnisse erzielt habe:
| Benchmark | Virale Behauptung |
|---|---|
| DeepSWE v1.1 | 88,7 % |
| Terminal-Bench 2.1 | 95,3 % |
| HLE-Verified | 72,1 % |
| OSWorld 2.0 | 86,8 % |
| GDPval-AA v2 | 2064 Elo |
Wenn diese Werte stimmen würden, läge das Modell bei Programmierung, Agentenaufgaben, logischem Denken und Computernutzung vor mehreren führenden Frontier-Systemen.
Die Tabelle weist jedoch erhebliche Probleme auf.
Sie enthält keine offizielle Quelle von Google, keine Arena-Validierung, keine veröffentlichte Evaluationskonfiguration und keinen reproduzierbaren Benchmark-Lauf. Einige Vergleichswerte für andere Modelle stimmen außerdem nicht mit deren offiziell veröffentlichten Ergebnissen überein.
Die offiziellen Launch-Materialien von OpenAI berichten beispielsweise für GPT-6 Astra 74,1 % bei DeepSWE v1.1 und verwenden bei mehreren anderen Kategorien andere Benchmark-Versionen.
Die Benchmark-Tabelle sollte daher nicht als verifiziertes Gemini-4-Ergebnis dargestellt werden.
Der korrekte Status ist eindeutig:
mysteriöses, leistungsfähigeres Arena-Modell: beobachtet
Identität als Gemini 4 Pro: unbestätigt
virale Benchmark-Tabelle: nicht verifiziert
Behauptungen zu 10 Mio. Kontext / 256K Ausgabe: nicht verifiziert
Googles öffentliche Dokumentation zeigt ein deutlich vorsichtigeres Bild.
Nach dem Stand vom 20. September 2026:
gemini-3.8-flash ist allgemein verfügbar.Das beweist nicht, dass Gemini 4 nicht intern getestet wird.
Frontier-Labore bewerten regelmäßig unveröffentlichte Testmodelle vor einem offiziellen Launch.
Es bedeutet lediglich, dass die öffentlichen Belege derzeit nicht ausreichen, um „Gemini 4 Pro“ als angekündigtes Produkt zu behandeln.
Der zweite Abschnitt des ursprünglichen Artikels wendet sich vom Leak selbst einer umfassenderen Idee zu: der rekursiven Selbstverbesserung.
RSI beschreibt einen Prozess, bei dem KI-Systeme zunehmend dazu beitragen, zukünftige KI-Systeme zu entwickeln, zu bewerten oder zu verbessern. Dadurch entsteht eine Rückkopplungsschleife, in der bessere Modelle die Entwicklung noch leistungsfähigerer Modelle beschleunigen.
Eine einfache Darstellung sieht so aus:
KI hilft bei der Verbesserung der KI-Entwicklung
↓
KI der nächsten Generation wird leistungsfähiger
↓
leistungsfähigere KI trägt stärker zu Forschung und Entwicklung bei
↓
der Entwicklungszyklus beschleunigt sich
Wichtig ist die Unterscheidung, dass die heutigen Frontier-Labore öffentlich keine vollständig autonome Intelligenzexplosion behaupten.
Menschen definieren weiterhin Forschungsziele, entwerfen Trainingssysteme, weisen Rechenkapazitäten zu, genehmigen risikoreiche Änderungen und entscheiden, wann Modelle eingesetzt werden.
Was sich verändert, ist der Anteil des Entwicklungsprozesses, den KI bereits übernehmen kann.
Googles offizielle Ankündigung von Gemini 3.8 ist einer der stärksten Belege dafür, dass dieser Trend real ist.
Das Unternehmen erklärt, dass Gemini 3.8 Flash und 3.8 Flash Cyber durch lang laufende agentische Schleifen beschleunigt werden, die darauf ausgelegt sind, die zugrunde liegenden Modelle rekursiv zu bewerten und zu verfeinern.
Diese Formulierung ist wichtig, weil sie direkt von Google stammt und nicht aus Community-Spekulationen.
Sie bedeutet nicht, dass Google eine vollständig autonome RSI erreicht hat.
Sie bedeutet jedoch, dass KI-gestützte Evaluationsschleifen bereits Teil des Entwicklungsprozesses produktiver Gemini-Modelle sind.
Der Google-DeepMind-Forscher Shunyu Yao fasste die Bedeutung nach der Veröffentlichung von 3.8 in einem kurzen öffentlichen Beitrag zusammen:
Beschreibe deine Idee einmal, und We0 AI erstellt eine Showcase-Website, Seiten und ein CMS und hilft nach dem Launch bei Kunden und Traffic.
Eine komplette Projektgeneration zur kostenlosen Registrierung
Am besten geeignet, um einen vollständigen Generierungsablauf auszuprobieren und schnell einen ersten Projektentwurf zu sehen.
Die Aussage paraphrasierte den Satz aus Apollo 11: ein kleiner Schritt für das Modell, aber ein viel größerer Schritt für RSI.
Am 14. September veröffentlichten Forscher von Google, Google DeepMind, der University of Maryland und der University of Virginia Dream-RSI: Recursive Self-Improvement through Evolving Worlds.
Die Arbeit konzentriert sich auf einen konkreten Engpass: Wie kann ein Agent seine Exploration schwieriger Suchräume verbessern, ohne wiederholt für teure Versuche in der realen Umgebung bezahlen zu müssen?
Dream-RSI verwendet eine Schleife, die auf der bisherigen Explorationshistorie aufbaut:
Die Forscher berichten von Verbesserungen in Bereichen wie:
Die Arbeit ist enger gefasst als die populäre Vorstellung einer KI, die autonom jeden Teil ihrer selbst neu entwirft.
Dennoch demonstriert sie einen realen rekursiven Mechanismus: Die bisherige Arbeit des Systems wird zum Trainingsmaterial, um die Suche nach zukünftigen Verbesserungen zu optimieren.
In derselben Woche veröffentlichte Anthropic ungewöhnlich detaillierte interne Kennzahlen darüber, wie stark KI bereits in den eigenen Forschungsprozess eingedrungen ist.
Nach Angaben von Anthropic gilt für August 2026:
Anthropic definiert „führt durch KI“ als das eigenständige Erledigen des größten Teils einer Aufgabe durch das Modell, von einer übergeordneten Eingabe bis zum Abschluss, während ein Mensch beaufsichtigt.
Die Zahl von 26 % ist besonders bemerkenswert, weil dieser Anteil laut Anthropic zu Beginn des Jahres noch unter 1 % lag.
Anthropic veröffentlichte diese Kennzahl auch deshalb, weil externe Beobachter seiner Ansicht nach eine bessere Sicht darauf benötigen, wie schnell Frontier-Labore ihre eigenen Prozesse zur Modellentwicklung automatisieren.
Z.ai hat ein weiteres nützliches Beispiel veröffentlicht.
Das Unternehmen erklärt, dass ein von GLM-5.3 betriebener Infra Agent beim Aufbau und bei der Optimierung der Inferenzinfrastruktur geholfen habe, die GLM-5.3-Flash versorgt.
Laut der Offenlegung von Z.ai im September gilt:
Z.ai betont ausdrücklich, dass dies keine vollständige rekursive Selbstverbesserung darstellt.
Die Einordnung ist zurückhaltender: Es ist eine Schleife in einem Mindestmaßstab entstanden, in der ein Modell hilft, das System zu optimieren, das ein anderes Modell bereitstellt.
Diese Unterscheidung ist wichtig.
Die heutigen Systeme benötigen weiterhin menschliche Ziele, Feedback-Design, Infrastrukturvorgaben und eine Prüfung risikoreicher Änderungen.
Die Schleife ist jedoch nicht länger rein theoretisch.
Der letzte Abschnitt des Ausgangsartikels verbindet RSI mit einer neuen Debatte unter führenden Akteuren der Frontier-KI.
Am 12. September argumentierte Anthropic-CEO Dario Amodei öffentlich, dass die Branche die Entwicklung an der Frontier verlangsamen sollte, damit die Sicherheitsarbeit mehr Zeit erhält, um mit den Modellfähigkeiten Schritt zu halten.
Sein Vorschlag umfasste dauerhaften Zugang auf Mitarbeiterebene für unabhängige externe Evaluatoren und schließlich eine umfassendere Koordination bei Fähigkeitsgrenzen und Sicherheitsmaßnahmen.
Sam Altman, Elon Musk und Demis Hassabis signalisierten in unterschiedlichem Maß Unterstützung für die allgemeine Idee, dass die Frontier-Entwicklung unter bestimmten Bedingungen stärkere Schutzmaßnahmen oder ein langsameres Tempo benötigen könnte.
Sich darauf zu einigen, dass Vorsicht notwendig ist, ist jedoch einfacher, als zu vereinbaren, wer zuerst langsamer wird.
Jedes Frontier-Labor steht vor demselben strategischen Problem.
Wenn ein Unternehmen die Entwicklung seiner Fähigkeiten verlangsamt, während seine Wettbewerber weitermachen, riskiert es, technologische Führerschaft, Talente, Kunden und Marktanteile zu verlieren.
Dieselbe Logik gilt auf nationaler Ebene.
Ein Land, das strenge Grenzen für die Entwicklung von Frontier-Modellen erwägt, könnte befürchten, dass Rivalen weiter beschleunigen.
Das macht Vorschläge für eine koordinierte Verlangsamung strukturell schwierig, selbst wenn große Labore darin übereinstimmen, dass die Risiken ernst sind.
Die Spannung zeigt sich im aktuellen Modellzyklus.
Google veröffentlicht Flash-Modelle in rascher Folge und könnte leistungsfähigere verborgene Testmodelle prüfen. Anthropic misst öffentlich, wie viel der eigenen Forschungs- und Entwicklungsarbeit Claude bereits übernimmt, und erwägt gleichzeitig zukünftige Modellveröffentlichungen. OpenAI veröffentlicht weiterhin Frontier-Systeme und baut zugleich externe Evaluierungen und Sicherheitsanforderungen aus.
Das Ergebnis ist kein einfacher Widerspruch.
Es handelt sich um ein Koordinationsproblem: Dieselben Organisationen können sich aufrichtig über Risiken an der Frontier Sorgen machen und gleichzeitig starken Anreizen ausgesetzt sein, an der Spitze zu bleiben.
Der Ausgangsartikel verweist außerdem auf Community-Berichte, denen zufolge andere Labore möglicherweise Modelle der nächsten Generation hinter bestehenden Produktoberflächen testen.
Ein weithin geteilter Beitrag behauptete, dass einige Claude-Code-Anfragen die Kennung claude-opus-5-2 zeigten.
Dies ist keine offizielle Produktankündigung von Anthropic.
Ebenso haben Community-Beiträge angebliche Sichtungen weiterer OpenAI-Modellkennungen außerhalb der derzeit angekündigten Produktfamilie gemeldet.
Diese Berichte sollten genauso behandelt werden wie die Gemini-4-Pro-Theorie: Sie können darauf hindeuten, dass etwas getestet wird, sind aber nicht gleichbedeutend mit einer offiziellen Veröffentlichung, Spezifikation oder einem Launch-Termin.
| Behauptung | Status zum 20. September 2026 |
|---|---|
| Google hat Gemini 3.8 Flash am 2. September veröffentlicht | Bestätigt |
| Gemini 3.8 verwendet lang laufende agentische Schleifen zur rekursiven Bewertung und Verfeinerung zugrunde liegender Modelle | Von Google bestätigt |
Ein leistungsfähigeres Modell mit der Bezeichnung gemini-3.8-flash tauchte in der Arena auf | Berichtet und vielfach beobachtet |
| Das Arena-Modell ist Gemini 4 Pro | Unbestätigt |
| Google hat Gemini 4 Pro offiziell angekündigt | Nein |
| Googles öffentliche Modelldokumentation führt derzeit Gemini 4 auf | Nein |
G4P-ARGON ist eine echte interne Google-Modellkennung | Nicht verifiziert |
| Gemini 4 Pro verfügt über mehr als 10 Mio. Kontext und 256K Ausgabe | Nicht verifiziert |
| Die viralen Gemini-4-Benchmarkwerte sind offiziell | Nein |
| Dream-RSI ist ein echtes Forschungs-Paper vom September 2026 | Bestätigt |
| Anthropic zufolge führt Claude 26 % der gemessenen KI-Forschungs- und Entwicklungsarbeit an | Bestätigt |
| Anthropic zufolge erfolgt mehr als 90 % der gemessenen KI-Forschungs- und Entwicklungsarbeit zumindest in Zusammenarbeit mit KI | Bestätigt |
| Laut Z.ai half der GLM-5.3 Infra Agent dabei, den Serving-Durchsatz von GLM-5.3-Flash um das 3,2-Fache zu steigern | Als vom Anbieter gemeldetes Ergebnis bestätigt |
| Community-Sichtungen von Claude Opus 5.2 stellen einen offiziellen Launch dar | Nein |
Nein. Google hat Gemini 4 Pro nicht offiziell angekündigt, und die aktuelle öffentliche Gemini-API-Dokumentation führt kein Gemini-4-Modell auf. Die aktuelle Geschichte basiert auf einem ungewöhnlich leistungsfähigen Arena-Modell und Community-Spekulationen über dessen Identität.
Das verborgene Modell verwendete die Bezeichnung gemini-3.8-flash, wirkte bei SVG-, Web-, 3D- und agentenartigen Tests jedoch leistungsfähiger als das öffentliche Produktivmodell. Sein langsameres, bedachteres Verhalten führte außerdem dazu, dass einige Tester es eher als Pro-Modell denn als Flash-Modell einstuften.
Sie sind nicht verifiziert. Die virale Tabelle hat weder eine offizielle Bestätigung von Google oder der Arena noch eine reproduzierbare Evaluationskonfiguration. Außerdem stimmen einige Vergleichswerte nicht vollständig mit den offiziellen Benchmark-Veröffentlichungen anderer Anbieter überein.
Rekursive Selbstverbesserung bezeichnet KI-Systeme, die dabei helfen, den Prozess zur Entwicklung leistungsfähigerer KI-Systeme zu verbessern, wodurch eine Rückkopplungsschleife entsteht. Die heutigen Frontier-Labore behaupten öffentlich keine vollständig autonome RSI, aber KI trägt bereits zu Evaluierung, Programmierung, Infrastrukturoptimierung und Forschung und Entwicklung von Modellen bei.
Google erklärt, dass Gemini 3.8 durch lang laufende agentische Schleifen beschleunigt wird, die die zugrunde liegenden Modelle rekursiv bewerten und verfeinern. Das ist ein realer Mechanismus der Selbstverbesserung, auch wenn er deutlich enger gefasst ist als ein vollständig autonomes System, das ohne menschliche Aufsicht seinen eigenen Nachfolger entwickelt.
Dream-RSI ist ein Forschungsframework vom September 2026 von Google, Google DeepMind und akademischen Partnern. Es nutzt frühere Explorationsverläufe als Replay-Simulatoren, damit ein Agent seine Explorationsstrategie kostengünstig verbessern und die verbesserte Strategie anschließend in der realen Umgebung einsetzen kann.
Anthropic zufolge führt Claude 26 % der gemessenen KI-Forschungs- und Entwicklungsarbeit an, während mehr als 90 % zumindest in Zusammenarbeit mit KI erfolgt. Anthropic erklärt außerdem, dass Claude bei keinem gemessenen Teilbereich vollständig autonom arbeitet.
Ein Unternehmen, das allein langsamer wird, riskiert, gegenüber Wettbewerbern zurückzufallen, die ihre Entwicklung fortsetzen. Dasselbe Anreizproblem besteht zwischen Staaten. Deshalb lassen sich gemeinsame Evaluationsregeln und Fähigkeitsgrenzen leichter vorschlagen als umsetzen.
Ein unerwartet leistungsfähiges Modell mit der Bezeichnung gemini-3.8-flash ist in der Arena aufgetaucht. Community-Tester haben genügend ungewöhnliche Ergebnisse erzeugt, um die Gemini-4-Pro-Theorie plausibel erscheinen zu lassen. Plausibel bedeutet jedoch nicht bestätigt: Google hat Gemini 4 Pro nicht angekündigt, der virale Backend-Screenshot ist nicht verifiziert, und der online kursierenden Benchmark-Tabelle fehlt eine offizielle Grundlage.
Die nachhaltigere Geschichte ist die Beschleunigung der KI-gestützten KI-Entwicklung. Google erklärt offen, dass Gemini 3.8 lang laufende Schleifen verwendet, um seine zugrunde liegenden Modelle rekursiv zu bewerten und zu verfeinern. Dream-RSI formalisiert eine sich selbst verbessernde Explorationsschleife. Anthropic zufolge führt Claude bereits 26 % der gemessenen KI-Forschungs- und Entwicklungsarbeit an, während Z.ai erklärt, dass ein von GLM betriebener Infrastruktur-Agent dazu beigetragen habe, den Serving-Durchsatz von GLM-5.3-Flash zu verdreifachen.
Das macht die Debatte über eine Verlangsamung der Branche schwieriger, nicht einfacher. Frontier-Labore können sich darauf einigen, dass unabhängige Evaluierungen und stärkere Schutzmaßnahmen notwendig sind, und zugleich starken Anreizen ausgesetzt sein, ihre Entwicklung fortzusetzen.
Gemini 4 Pro bleibt ein Gerücht; der Wandel hin zu KI-Systemen, die beim Aufbau der nächsten KI-Generation helfen, ist bereits Realität.
Starte mit einem Satz und erhalte in wenigen Minuten eine vollständige Website.
