Gemini 3 Pro: 54,2 % bei Terminal-Bench 2.0
Google hat Gemini 3 Pro am 18. November 2025 veröffentlicht und sagt, das Modell erreiche 54,2 % bei Terminal-Bench 2.0, einem Test dafür, wie gut ein Modell einen Computer über ein Terminal bedient. Es erschien am selben Tag in der Gemini API, in Vertex AI, in der Gemini-App und in einer neuen agentischen Coding-Plattform, Google Antigravity. Für Softwareteams ist die Veröffentlichung eine Preis- und Tooling-Entscheidung: Der Preview-Zugang kostet 2 Dollar pro Million Input-Token und 12 Dollar pro Million Output-Token.
Was Google am 18. November 2025 veröffentlicht hat
Google stellte Gemini 3 vor, seine neue Flaggschiff-Familie multimodaler Modelle, und machte Gemini 3 Pro am selben Tag in der Suche, der Gemini-App, in Google AI Studio, Vertex AI, der Gemini CLI und einer neuen Entwicklungsplattform namens Antigravity verfügbar. InfoQ merkt an, frühere Gemini-Versionen seien zuerst bei wenigen Produkten angekommen, diese sei als eine Plattform für Verbraucher und Unternehmen erschienen.
Ein forschungsintensiverer Modus, Gemini 3 Deep Think, soll für Abonnenten von Google AI Ultra folgen, sobald er weitere Sicherheitstests besteht. Das Timing war eng: TechCrunch berichtete, der Start kam sieben Monate nach Gemini 2.5, weniger als eine Woche nach OpenAIs GPT 5.1 und zwei Monate nach Anthropics Sonnet 4.5.
Wie das Modell in Coding- und Reasoning-Tests abschneidet
Googles wichtigste Coding-Zahl sind 54,2 % bei Terminal-Bench 2.0, das prüft, ob ein Modell Werkzeuge nutzen kann, um einen Computer über ein Terminal zu bedienen. Google sagt außerdem, das Modell führe die Rangliste der WebDev Arena mit 1487 Elo an und setze neue Höchstwerte bei MMMU-Pro und Video MMMU für Bild- und Videoverständnis.
Unabhängige Ranglisten weisen in dieselbe Richtung. TechCrunch berichtete von 37,4 bei Humanity's Last Exam, dem höchsten Wert bisher, gegenüber dem früheren Bestwert von 31,64 von GPT-5 Pro, und von Platz eins bei LMArena, das die Nutzerzufriedenheit misst. Entwicklerforen, die InfoQ zitiert, diskutieren das Risiko von Benchmark-Kontamination und raten, vor einer Festlegung interne Auswertungen laufen zu lassen.
Was Google Antigravity für Entwickler leistet
Antigravity ist Googles agentische Entwicklungsplattform rund um das Modell. Entwickler steuern Agenten über Workspaces hinweg und behalten im Kern einen vertrauten KI-Code-Editor; die Agenten planen und erledigen Softwareaufgaben in Editor, Terminal und Browser und berichten über ausführliche Artefakte.
„Der Agent kann mit deinem Editor, über dein Terminal und deinen Browser hinweg arbeiten, damit er dir hilft, die Anwendung auf die bestmögliche Weise zu bauen." Koray Kavukcuoglu, CTO von DeepMind
Die öffentliche Preview ist für MacOS, Windows und Linux kostenlos. Das Modell läuft auch in der Gemini CLI, in Android Studio und in Werkzeugen von Drittanbietern wie Cursor, GitHub, JetBrains, Manus und Cline.
Wie Entwickler Zugang bekommen und was er kostet
Das Modell ist als Preview über die Gemini API in Google AI Studio und Vertex AI für 2 Dollar pro Million Input-Token und 12 Dollar pro Million Output-Token verfügbar, bei Prompts bis 200k Token. In Google AI Studio ist es mit Ratenlimits kostenlos.
Laut InfoQ nimmt es Text, Bilder, Video, Audio und PDFs in einem Kontextfenster von bis zu 1.048.576 Token entgegen, die Ausgabe ist auf 65.536 Token begrenzt, und es wird auch über Firebase AI Logic und Gemini Enterprise angeboten. Google ergänzte ein clientseitiges Bash-Tool, mit dem das Modell Shell-Befehle vorschlägt, ein gehostetes serverseitiges Bash-Tool für Partner mit frühem Zugang und die Möglichkeit, Grounding mit Google Search und URL-Kontext mit strukturierten Ausgaben zu kombinieren.
Wer Gemini schon nutzt
Die Veröffentlichung trifft auf eine große Nutzerbasis. Laut Google, wie TechCrunch berichtet, hat die Gemini-App mehr als 650 Millionen monatlich aktive Nutzer, und 13 Millionen Softwareentwickler haben das Modell in ihrem Workflow genutzt. Nutzer von Gemini Code Assist in gängigen Code-Editoren erhalten Gemini 3 zuerst im Agentenmodus, der mehrstufige Coding-Aufgaben ausführt statt nur Vervollständigungen im Text.
Was sich für Software- und Betriebsteams ändert
Für Unternehmen preist Google langlaufende, mehrstufige Arbeit an, die an einen Agenten geht. Google hebt Finanzanalyse, Lieferkettenplanung und Vertragsprüfung hervor, und InfoQ merkt an, das Modell könne lange PDFs, Screenshots und Video in einer Anfrage verarbeiten, sodass Dokumentenanalyse, Log-Triage und medienlastige Analysen auf einem Modell laufen können statt auf getrennten Bild-, Sprach- und Textsystemen.
Der veröffentlichte Preis gibt einem Team die Möglichkeit, die Kosten pro Aufgabe vor einem Pilot abzuschätzen. Google nannte beim Start keine Kundenergebnisse, der gemessene Nutzen für ein Unternehmen ergibt sich also aus eigenen Auswertungen, was auch die Entwickler in den Foren raten.
Fragen und Antworten
Was ist Terminal-Bench 2.0?
Ein Benchmark, der prüft, ob ein Modell Werkzeuge nutzen kann, um einen Computer über ein Terminal zu bedienen. Google sagt, Gemini 3 Pro erreiche dabei 54,2 %.
Was kostet Googles neues Modell?
In der Preview verlangt Google 2 Dollar pro Million Input-Token und 12 Dollar pro Million Output-Token bei Prompts bis 200k Token. In Google AI Studio ist es mit Ratenlimits kostenlos.
Was ist Google Antigravity?
Antigravity ist Googles agentische Entwicklungsplattform, in der Entwickler Agenten steuern, die in Editor, Terminal und Browser arbeiten. Die öffentliche Preview ist für MacOS, Windows und Linux kostenlos.
Die Sicht von MOZGII
Wie wir es bauen würden
Ein Benchmark-Wert sagt einem Team, welche Modelle es ausprobieren sollte, nicht, welches es kaufen soll. Terminal-Bench misst, ob ein Modell Befehle ausführen und eigene Fehler in einem Terminal beheben kann, was echter Agentenarbeit nahekommt, doch Code, Dokumente und Regeln jedes Unternehmens sind anders. Wir würden Googles Zahlen als Grund sehen, das Modell zu testen, mehr nicht.
Wenn wir einen Coding- oder Dokumentenagenten auf Basis eines solchen Modells einführen würden, starteten wir mit einem festen Satz Aufgaben aus unserer eigenen Arbeit: echte Tickets, echte Verträge, echte Logs, jeweils mit bekanntem richtigem Ergebnis. Jedes Kandidatenmodell liefe über denselben Satz, und wir verglichen die Kosten pro erledigter Aufgabe, nicht pro Token. Der Agent arbeitete in einer Sandbox mit begrenzten Rechten, und ein Ingenieur gäbe jede Änderung frei, bevor sie gemeinsamen Code oder Produktivsysteme erreicht.
Scheitern würde es bei langen Aufgaben. Ein Agent, der über viele Schritte plant und handelt, kann abdriften, Arbeit wiederholen oder Token verbrauchen, ohne fertig zu werden. Wir würden Schritte und Ausgaben je Aufgabe deckeln und den Agenten stoppen, wenn er eines erreicht. Die eine Kennzahl, die wir beobachten würden, ist der Anteil der Aufgaben, die ohne menschliche Nacharbeit richtig erledigt werden.
Als Nächstes würden wir denselben Aufgabensatz bei jedem neuen Modell erneut laufen lassen, damit ein Wechsel zwischen Anbietern eine gemessene Entscheidung ist und keine Reaktion auf einen Launch.
Quellen
Woher die Fakten dieser Meldung stammen.