Automatische Annotation mit Gemini 4 Carbon: der neue Spitzenreiter auf unserem VLM-Leaderboard

Gemini 4 Carbon belegt bei der automatischen Annotation auf UL37, unserem Objekterkennungs benchmark mit 36 Datensätzen, den ersten Platz unter 45 Modellen. Das zeigt der Snapshot des Ultralytics-VLM-Leaderboards vom 11. November 2026. Das Modell erzielt 0.584 mAP₅₀ und 0.371 mAP_50-95 und steht nun sowohl bei der Präzision als auch beim Recall an der Spitze. In unseren Ergebnissen vom Oktober gehörten diese Spitzenplätze noch zwei verschiedenen Modellen. GPT-6.1 Terra, der vorherige Spitzenreiter, liegt mit 0.560 mAP₅₀ auf Platz zwei und kostet pro Bild beim Anbieter etwa ein Drittel so viel wie Carbon.

Für alle, die einen Datensatz beschriften, lautet die Frage also nicht, welches Modell insgesamt die höchste Punktzahl erreicht. Entscheidend ist, wann Carbon den dreifachen Preis wert ist. Im Folgenden erfährst du, in welchen Bereichen Carbon neue Spitzenwerte erzielt hat, wo Terra weiterhin besser abschneidet, was die beiden Modelle vor und nach Googles Preisänderung im Dezember kosten und wie du Carbon mit deinen eigenen Daten in der Ultralytics Platform ausführst.

Gemini 4 Carbon ist jetzt für alle zahlenden Entwickler verfügbar#

Google veröffentlichte Carbon Ende Oktober zunächst für eine kleine Gruppe von Cybersicherheitsfachleuten. Am 10. November 2026 gab das Unternehmen das Modell für alle zahlenden Entwickler und Unternehmen frei und begann mit der Einführung für Abonnenten von Google AI Ultra. Googles Verfügbarkeitsmitteilung zufolge ist Carbon über die API in Google AI Studio und Gemini für Unternehmen sowie in der Gemini-App, im KI-Modus und in Antigravity für Ultra-Abonnenten verfügbar. Fachleute für Cybersicherheit behalten über Googles Fairwind-Programm ihren spezialisierten Zugang.

Google bezeichnet Carbon als sein leistungsfähigstes Modell, das auf Cybersicherheit und agentische Aufgaben mit langem Zeithorizont ausgerichtet ist. Laut der Modellkarte zu Gemini 4 Carbon basiert das Modell auf Gemini 4 Argon und verwendet mehr Denktokens als Argon, „um Hypothesen gründlich zu untersuchen, tiefgehend zu argumentieren und ausgedehnte Verifizierungszyklen durchzuführen“. Es verarbeitet Text, Bilder, Audio und Video, hat ein Kontextfenster von bis zu 1M Tokens und gibt Antworten in Textform aus.

In Googles Ankündigung wird Carbon nicht als Erkennungsmodell angepriesen. Für die Datenbeschriftung ist entscheidend, wie sich das zusätzliche Schlussfolgern auf die Begrenzungsrahmen auswirkt – genau das misst UL37. Du kannst jedes Ergebnis auf der Modellseite zu Gemini 4 Carbon untersuchen.

Die Modellseite zu Gemini 4 Carbon auf der Ultralytics Platform mit den UL37-Ergebnissen und einem Link zur automatischen Annotation eines Datensatzes.

Objekterkennung mit Gemini 4 Carbon: Spitzenplatz bei allen Genauigkeitsmetriken#

UL37 bewertet anhand von 360 Bildern, wie genau die Begrenzungsrahmen eines Modells mit den Referenzbeschriftungen der einzelnen Datensätze übereinstimmen: jeweils 10 Bilder aus 36 realen Objekterkennungs-Datensätzen zu medizinischen Aufnahmen, Luft- und Wärmebildern, Verkaufsregalen, Sport, Dokumenten, Leiterplatten und mehr. Jedes Bild durchläuft dieselbe Produktionspipeline, die auch Nutzer der Platform verwenden, und die jeweiligen Klassennamen des Datensatzes bleiben erhalten. SAM 3.1 verfeinert die Begrenzungsrahmen aller Modelle außer denen von SAM 3 – genauso wie bei Nutzern. Alle Datensätze zählen gleich viel; weitere Informationen findest du in der Methodik des UL37-Benchmarks.

So schneidet Carbon im Vergleich zu den vier nächstplatzierten Modellen ab:

Carbon liegt bei mAP₅₀ um 0.024 vor GPT-6.1 Terra. Auch bei der strengeren Metrik mAP_50-95, die Begrenzungsrahmen belohnt, die eng an den Objektkanten liegen, zeigt sich ein ähnlicher Abstand: Carbon erreicht 0.371, verglichen mit 0.347 bei Claude Fable 5.2, dem bisherigen Spitzenreiter, und 0.345 bei Terra.

Carbon übertrifft auch das Modell, auf dem es aufbaut. Gemini 4 Argon erzielt 0.537 mAP₅₀ und 0.343 mAP_50-95. Im selben Benchmark und mit derselben Annotationspipeline legt Carbon also um 0.047 beziehungsweise 0.028 zu.

Gemini 4 Carbon erzielt auf UL37 die höchste Präzision und den höchsten Recall#

Wie unser Leitfaden zur Auswahl eines VLM anhand von Präzision und Recall erklärt, teilten sich die Spitzenmodelle in unseren Ergebnissen vom Oktober in zwei Lager. Gemini 4 Argon erreichte mit 0.667 die höchste Präzision: Ein hoher Anteil seiner Begrenzungsrahmen stimmte, aber einige beschriftete Objekte wurden übersehen. GPT-6 Astra erzielte mit 0.627 den höchsten Recall: Das Modell erkannte mehr der beschrifteten Objekte, doch ein geringerer Anteil seiner Begrenzungsrahmen war korrekt.

Im Snapshot des Leaderboards vom 11. November 2026 erreicht Carbon eine Präzision von 0.685 und einen Recall von 0.642 – die höchsten Durchschnittswerte unter allen 45 Modellen. Damit übertrifft es Argons Präzision und Astras Recall.

Für die Person, die Ergebnisse prüft, ist das die beste Kombination, die der Benchmark zeigen kann. Eine höhere Präzision bedeutet, dass ein größerer Anteil der vorgeschlagenen Begrenzungsrahmen korrekt ist; ein höherer Recall bedeutet, dass für einen größeren Anteil der tatsächlichen Objekte bereits ein Begrenzungsrahmen vorhanden ist. Bei niedriger Präzision müssen Begrenzungsrahmen gelöscht werden, bei niedrigem Recall müssen Objekte eingezeichnet werden. Carbons erste Vorschläge erfordern daher seltener eine der beiden Korrekturen.

SKU110K zeigt, warum das bei dicht gefüllten Bildern wichtig ist. Auf den Supermarktregalen des Datensatzes befinden sich insgesamt 1,666 beschriftete Produkte auf den 10 Benchmark-Bildern, alle in einer Klasse. Carbon erzielt dort 0.671 mAP₅₀ – mehr als jedes andere Modell und vor Terras bisherigem Spitzenwert von 0.619. Bei einem solchen Regal muss eine prüfende Person jeden falschen Begrenzungsrahmen zwischen Dutzenden korrekten finden.

Der Datensatz SKU110K Dense Retail Shelf Detection 2 auf der Ultralytics Platform. Carbon erzielt hier mit 0.671 mAP₅₀ den besten UL37-Wert.

Gemini 4 Carbon erzielt in neun Bereichen Spitzenwerte#

Laut den Ergebnissen für einzelne Datensätze auf den Modellseiten der Platform erzielt Carbon nun bei einer langen Liste von UL37-Datensätzen den besten Wert aller Modelle. Hier sind die Ergebnisse zusammen mit dem vorherigen Spitzenwert:

Drei Muster fallen auf. Carbon behält Argons Stärken bei Wärmebildern, Luftbildern und Unterwasseraufnahmen bei und baut sie weiter aus – den größten Sprung gibt es bei den Wärmebildaufnahmen der Drohnen aus HIT-UAV. Bei Grundrissen liegt Carbon fast 0.1 vor GPT-6 Astra. Und bei MRT-Aufnahmen von Hirntumoren, deren Klassen Meningiom, Gliom und Hypophysentumor sind, übertrifft Carbon Terra knapp.

Jeder Datensatz umfasst 10 Bilder. Ein einzelner Wert ist daher ein Anlass für eine genauere Prüfung, kein endgültiges Urteil. Carbon erreicht bei RPC und CeyMo denselben Bestwert und liegt bei DDR um 0.001 vorn – zu geringe Abstände, um die Modelle voneinander zu unterscheiden.

Auf der Modellseite werden die erfassten UL37-Begrenzungsrahmen von Carbon für jeden Benchmark-Datensatz und COCO neben den erwarteten Beschriftungen wiedergegeben.

Gemini 4 Carbon und GPT-6.1 Terra im Vergleich: Wo Terra weiterhin besser abschneidet#

Terra hält weiterhin zwei Spitzenwerte im medizinischen Bereich. In der Datensatztabelle des Leaderboards wird Terra noch immer als bestes Modell für die TN5000-Schilddrüsensonografie mit 0.935 und für die TXL-PBC-Mikroskopie von Blutzellen mit 0.889 geführt. Wenn deine Daten einem dieser Datensätze ähneln, vergleiche vor der Entscheidung die Zeilen beider Modelle auf den jeweiligen Modellseiten.

Terras größter Vorteil ist der Preis. Hier der direkte Vergleich auf UL37:

Die Kosten werden anhand des vom Anbieter gemeldeten Tokenverbrauchs pro 1,000 erfolgreich annotierte Benchmark-Bilder zu Listenpreisen geschätzt. Terra erreicht etwa 96 % von Carbons mAP₅₀ zum ungefähr einem Drittel der Kosten, antwortet schneller und hatte keine fehlgeschlagenen Anfragen. Beide Modelle liegen auf der Linie „Bestes Preis-Leistungs-Verhältnis“ des Leaderboards. Diese verbindet die Modelle, die kein anderes zugleich bei Kosten und Genauigkeit übertrifft.

Das Diagramm des Leaderboards zu mAP₅₀ und Kosten für kostenpflichtige Modelle auf UL37, berechnet mit den aktuellen Listenpreisen.

Der Preisunterschied wird noch größer. Laut seiner Verfügbarkeitsmitteilung berechnet Google für Carbon bis zum 30. November 2026 Einführungspreise von $2 pro Million Eingabetokens und $10 pro Million Ausgabetokens; danach steigen die Preise auf $4 beziehungsweise $20. Bei gleichem Tokenverbrauch erhöhen sich Carbons Kosten von $12.93 pro 1,000 Bilder am 1. Dezember auf etwa $26.

In der Praxis bedeutet das:

• Entscheide dich für Carbon, wenn die Qualität der Beschriftungen den Preis rechtfertigt: bei dicht gefüllten Szenen wie Verkaufsregalen, Wärme- und Luftbildern, Grundrissen und CAD-Zeichnungen sowie bei allen Datensätzen, bei denen Carbon auf der Modellseite deutlich vorne liegt.
• Entscheide dich für Terra bei großen, allgemeinen Datenmengen, wenn das Budget wichtiger ist als 0.024 mAP₅₀, sowie bei Daten wie den Schilddrüsensonografien aus TN5000 und den Blutzellendaten aus TXL-PBC.
• Führe einen großen Auftrag mit Carbon vor dem 1. Dezember aus, wenn du Carbon verwenden willst und noch vom Einführungspreis profitieren möchtest.

Egal, wofür du dich entscheidest: Für die Stapelannotation berechnet die Ultralytics Platform eine Bearbeitungsgebühr von $1.00 pro 1,000 verarbeiteten Bildern, mindestens jedoch $0.01 pro Durchlauf. Der Anbieter stellt die Nutzung direkt über deinen eigenen Schlüssel in Rechnung. Ultralytics erhebt keinen Aufschlag auf Tokens. Eine ausführlichere Aufschlüsselung findest du in unserem Leitfaden zu den Kosten für Bildannotationssoftware. Als günstigeres kostenpflichtiges Modell erzielt Claude Haiku 5.5 0.429 für $0.37 pro 1,000 Bilder. Gehostete Modelle wie Qwen3.8 27B und SAM 3.1 Text benötigen überhaupt keinen Schlüssel.

So führst du die automatische Annotation mit Gemini 4 Carbon für deinen Datensatz aus#

Carbon ist ein klassenpromptgesteuertes Modell für Erkennungsdatensätze mit 1 bis 200 Klassen. Es gibt Begrenzungsrahmen für die eigenen Klassennamen deines Datensatzes zurück. Die Platform übermittelt die Klassennamen im y-first-Format von Gemini und verfeinert die Ergebnisse mit SAM 3.1.

1. Erstelle einen Gemini-API-Schlüssel in Google AI Studio. Carbon läuft über die kostenpflichtige API-Stufe, daher muss die Abrechnung für den Schlüssel aktiviert sein.
2. Füge den Schlüssel unter Einstellungen > API-Schlüssel im Platform-Arbeitsbereich hinzu, in dem dein Datensatz gespeichert ist. Weitere Informationen findest du in der Dokumentation zu Anbieterschlüsseln.
3. Öffne ein Bild im Annotationseditor, wechsle in den Modus Smart und wähle Gemini 4 Carbon von Google in der Modellauswahl aus.
4. Klicke auf Predict oder P, um das aktuelle Bild zu beschriften. Probiere das zunächst mit einigen Bildern aus, die für deine Daten repräsentativ sind, bevor du den Umfang vergrößerst.
5. Wähle auf der Datensatzseite Weitere Aktionen > Stapelannotation, um alle noch nicht beschrifteten Bilder in einem Durchgang zu annotieren. Die Platform speichert zuerst eine Datensatzversion, sodass du Änderungen rückgängig machen kannst.
6. Prüfe und korrigiere die Begrenzungsrahmen. Der Editor speichert sie automatisch. Anschließend kannst du im selben Arbeitsbereich mit dem Ergebnis ein Ultralytics-YOLO26-Modell trainieren.

Entwickler können Carbon auch aus Code aufrufen: Mit der Version 0.1.109 des Platform SDK wurde gemini-4-carbon als Bildvorhersagemodell hinzugefügt. Einen umfassenderen Überblick bieten die Beiträge dazu, wie die Ultralytics Platform KI zur Automatisierung von Annotationen einsetzt und warum die Überprüfung durch Menschen Teil des Arbeitsablaufs bleibt. Bei der Analyse medizinischer Bilder gelten die Begrenzungsrahmen jedes Modells als Entwurf, den medizinische Fachleute prüfen und freigeben müssen – niemals als Diagnose.

Für wen eignet sich Gemini 4 Carbon?#

Verwende Gemini 4 Carbon, wenn die Qualität der Beschriftungen wichtiger ist als die Rechnung des Anbieters. Es ist das genaueste Modell für automatische Annotation, das wir bisher getestet haben, liegt derzeit sowohl bei Präzision als auch bei Recall vorn und erzielt Spitzenwerte bei Datensätzen zu Wärmebildern, Luftbildern, Unterwasseraufnahmen, Verkaufsregalen, Grundrissen und Hirn-MRTs.

Teams, die bereits Argon verwenden, erhalten eine höhere Gesamtpunktzahl und neue Spitzenwerte in Argons eigenen stärksten Bereichen – zum selben Einführungspreis pro Token, auch wenn Carbon bei diesem Preis pro Bild mehr kostet. Teams, die große, allgemeine Datenmengen mit begrenztem Budget beschriften, sollten GPT-6.1 Terra als Standardmodell beibehalten und nur bei einzelnen Datensätzen zu Carbon wechseln, wenn die Modellseite einen deutlichen Vorsprung zeigt. Argons Ergebnisse findest du in unserem Beitrag zu den Ergebnissen der automatischen Annotation mit Gemini 4 Argon.