Gemini 3 ist eine Familie multimodaler großer Sprachmodelle (LLMs), die von Google DeepMind entwickelt und im November 2025 als Nachfolger von Gemini 2.0 angekündigt wurde. Es ist von Grund auf nativ multimodal, das heißt, es verarbeitet Text, Bilder, Video und Audio gleichzeitig, anstatt auf separate Komponenten für jede Modalität zu setzen. Das Modell betreibt den Gemini-Chatbot und ist nach dem Sternzeichen Zwillinge benannt, womit die mit der ursprünglichen Gemini-1.0-Veröffentlichung im Dezember 2023 etablierte Namenskonvention fortgeführt wird.
Der Start positionierte Gemini 3 als direkten Konkurrenten zu Modellen von OpenAI und Anthropic, wobei Google seine einheitliche Architektur als zentrales Unterscheidungsmerkmal hervorhob. Anders als frühere Versionen, die multimodale Fähigkeiten über zusätzliche Module integrierten, wurde Gemini 3 end-to-end mit allen Datentypen trainiert, sodass es in einem einzigen Durchgang über Modalitäten hinweg schlussfolgern kann. Dieses Design baut auf der Grundlagenarbeit von Google DeepMind auf, das 2023 DeepMind und Google Brain fusionierte, um die Entwicklung zu beschleunigen.
Entwicklungshintergrund
Die Entwicklung von Gemini 3 geht auf das ursprüngliche Gemini-Projekt zurück, das erstmals am 10. Mai 2023 auf der Google I/O von CEO Sundar Pichai angekündigt wurde. Das erste Modell, Gemini 1.0, wurde am 6. Dezember 2023 mit drei Varianten veröffentlicht: Ultra für komplexe Aufgaben, Pro für den allgemeinen Gebrauch und Nano für die Verarbeitung auf dem Gerät. Es wurde mit Googles Tensor Processing Units (TPUs) trainiert und integrierte Erkenntnisse aus DeepMinds AlphaGo-Programm, das 2016 den Go-Weltmeister Lee Sedol besiegte.
Nachfolgende Iterationen verfeinerten die Architektur. Gemini 1.5, veröffentlicht im Februar 2024, führte einen Mixture-of-Experts-Ansatz und ein Kontextfenster von einer Million Token ein. Gemini 2.0 Flash Experimental, angekündigt am 11. Dezember 2024, fügte eine Multimodale Live-API für Echtzeit-Audio- und Video-Interaktionen hinzu. Gemini 3 baut auf diesen Fortschritten auf, wobei die Veröffentlichung im November 2025 native Multimodalität als Kernfunktion statt als Zusatz betont.
Das Entwicklungsteam umfasste Hunderte von Ingenieuren von Google Brain und DeepMind, wobei Mitbegründer Sergey Brin als Kernbeiträger mitwirkte, wie bereits bei früheren Versionen. Die Trainingsdaten umfassten Transkripte von YouTube-Videos, wobei Rechtsteams potenziell urheberrechtlich geschütztes Material filterten, eine Praxis, die für Gemini 3 fortgeführt wurde.
Native multimodale Architektur
Das charakteristische Merkmal von Gemini 3 ist sein nativ multimodales Design, das Text, Bilder, Video und Audio durch eine einheitliche Transformer-Architektur verarbeitet. Dies steht im Gegensatz zu früheren Modellen wie Gemini 1.0, die Modalitäten über separate Encoder und Decoder handhabten. Der einheitliche Ansatz ermöglicht es dem Modell, Informationen über Modalitäten hinweg ohne Zwischenkonvertierungsschritte zu korrelieren, was Aufgaben wie Videoverständnis mit synchronisiertem Audio und visuelles Schlussfolgern verbessert.
Die Architektur nutzt Multi-Head-Attention-Mechanismen, die erweitert wurden, um mehrere Eingabeströme zu verarbeiten. Positionskodierungen werden auf zeitliche und räumliche Dimensionen angewendet, sodass das Modell Objekte über Videoframes verfolgen und Sprache mit entsprechenden visuellen Elementen abgleichen kann. Dieses Design weicht von der Encoder-Decoder-Struktur ab, die in vielen früheren LLMs verwendet wurde, und bevorzugt einen einzigen Transformer, der alle Modalitäten gemeinsam verarbeitet.
Beim Training wurden Datenanreicherung-Techniken eingesetzt, um gepaarte multimodale Beispiele zu generieren, wie Videoclips mit transkribiertem Audio und Bildunterschriften. Das Modell verwendet Layer-Normalisierung und Residualverbindungen, um das Training über verschiedene Datentypen zu stabilisieren. Google DeepMind berichtete, dass dieser Ansatz den Bedarf an separaten Feinabstimmungsphasen für jede Modalität reduzierte.
Modellvarianten und Fähigkeiten
Gemini 3 wird in mehreren Konfigurationen angeboten, um verschiedene Anwendungsfälle zu bedienen, wobei der abgestufte Ansatz früherer Versionen fortgeführt wird. Die Produktlinie umfasst Gemini 3 Ultra für komplexe Denkaufgaben, Gemini 3 Pro für allgemeine Anwendungen, Gemini 3 Flash für Antworten mit geringer Latenz und Gemini 3 Flash Lite für ressourcenbeschränkte Umgebungen. Jede Variante teilt denselben nativen multimodalen Kern, unterscheidet sich jedoch in der Parameteranzahl und der Optimierung für Geschwindigkeit gegenüber Genauigkeit.
Zu den Fähigkeiten gehören Echtzeit-Videoanalyse mit Audiointegration, Bilderzeugung aus Textbeschreibungen und modusübergreifende Suche - zum Beispiel das Finden eines bestimmten Moments in einem Video basierend auf einer gesprochenen Abfrage. Das Modell unterstützt außerdem Top-p-Sampling und Temperaturskalierung für steuerbare Ausgabeerzeugung und kann Text-zu-Sprache mit Wasserzeichen zur Authentizitätsprüfung erzeugen, eine Funktion, die von Gemini 2.0 übernommen wurde.
Für Entwickler ist Gemini 3 über Google Clouds Vertex AI und AI Studio-Plattformen zugänglich, mit APIs, die Streaming-Audio- und Videoeingaben unterstützen. Das Modell integriert Google Search für aktuelle Informationsabrufe und betreibt den Gemini-Chatbot über Web- und Mobilschnittstellen.
Leistung und Benchmarks
Beim Start berichtete Google DeepMind, dass Gemini 3 Ultra seinen Vorgänger und konkurrierende Modelle bei mehreren Branchen-Benchmarks übertraf, obwohl spezifische Werte nicht vollständig offengelegt wurden. Das Unternehmen behauptete Verbesserungen bei multimodalen Denkaufgaben wie visueller Fragenbeantwortung und Videoverständnis, wo die native Architektur einen Vorteil gegenüber Modellen bietet, die Modalitäten separat verarbeiten.
Frühere Gemini-Versionen setzten hohe Erwartungen: Gemini Ultra war das erste LLM, das die Leistung menschlicher Experten beim 57-Fächer-Test Massive Multitask Language Understanding (MMLU) mit einer Punktzahl von 90 % übertraf. Gemini 3 baut auf diesem Erbe auf, wobei frühe Berichte starke Ergebnisse bei multimodalen Benchmarks wie Video-MMLU und AudioQA zeigten, obwohl die unabhängige Verifizierung zum Startzeitpunkt noch lief.
Die Leistung des Modells wird auf sein Training mit TPUs und die Verwendung von Batch-Normalisierung-Techniken zurückgeführt, die für multimodale Daten angepasst wurden. Google DeepMind betonte, dass die einheitliche Architektur von Gemini 3 die Fehlerausbreitung zwischen modalitätsspezifischen Komponenten reduziert, ein häufiges Problem in früheren multimodalen Systemen.
Integration und Ökosystem
Gemini 3 ist in Googles Produktökosystem integriert, einschließlich Search, Chrome und Google Workspace, dem Muster früherer Gemini-Veröffentlichungen folgend. Das Modell betreibt den Gemini-Chatbot, der im Februar 2024 von Bard umbenannt wurde. Auf Android ist Gemini 3 Nano für Aufgaben auf dem Gerät optimiert und ermöglicht die Offline-Verarbeitung von Bildern und Audio ohne Cloud-Verbindung.
Bei Hardware-Partnerschaften arbeitete Google mit Samsung Electronics zusammen, um Gemini 3 in die Galaxy-S25-Smartphone-Reihe zu integrieren, die Anfang 2025 angekündigt wurde. Dies folgt der Partnerschaft vom Januar 2024, die Gemini Nano und Pro in das Galaxy S24 brachte. Die Integration umfasst Funktionen wie Echtzeitübersetzung von Videoanrufen und On-Device-Fotobearbeitung mit natürlichen Sprachbefehlen.
Für Unternehmensnutzer ist Gemini 3 über Google Cloud verfügbar und konkurriert mit Amazon Web Services und Microsoft Azure im KI-als-Dienstleistung-Markt. Google führte außerdem im Juni 2025 Gemini CLI ein, einen Open-Source-KI-Agenten, der Gemini-Fähigkeiten in das Terminal bringt und Codierung, Automatisierung und Problemlösungsaufgaben mit kostenlosen Nutzungslimits für einzelne Entwickler unterstützt.
Sicherheit und Regulierung
Google DeepMind betonte Sicherheitstests für Gemini 3, im Einklang mit dem erklärten Ansatz des Unternehmens seit dem ursprünglichen Gemini-Start. Das Unternehmen teilte Testergebnisse mit der US-Bundesregierung, gemäß einer Exekutivanordnung, die Präsident Joe Biden im Oktober 2023 unterzeichnete. Gespräche mit der britischen Regierung wurden ebenfalls fortgeführt, den Prinzipien folgend, die auf dem KI-Sicherheitsgipfel in Bletchley Park im November 2023 etabliert wurden.
Zu den Sicherheitsmaßnahmen gehören Wasserzeichen für erzeugte Bilder und Audio, um Missbrauch zu verhindern, eine Funktion, die in Gemini 2.0 eingeführt und in Gemini 3 erweitert wurde. Das Modell enthält Filter zur Reduzierung schädlicher Ausgaben, und Google erklärte, dass Gemini 3 vor der breiten Bereitstellung umfassenden Bewertungen unterzogen würde, ähnlich dem vorsichtigen Rollout von Gemini 1.0.
Zum Zeitpunkt des Starts im November 2025 war Gemini 3 zunächst auf Englisch verfügbar, mit Plänen für eine mehrsprachige Erweiterung. Google gab an, dass zusätzliche Sprachen und regionale Verfügbarkeit in den folgenden Monaten eingeführt würden, vorbehaltlich behördlicher Genehmigungen.
Wettbewerbslandschaft
Gemini 3 tritt in einen wettbewerbsintensiven Markt ein, der von OpenAIs GPT-4 und GPT-4o, Anthropics Claude 3 und anderen Modellen von Unternehmen wie AI21 Labs und Inflection AI dominiert wird. Googles nativer multimodaler Ansatz ist eine direkte Herausforderung an OpenAIs Integration von Vision und Audio in GPT-4, die als Reaktion auf Geminis ursprüngliche Ankündigung im Jahr 2023 beschleunigt wurde.
Branchenanalysten stellten fest, dass die einheitliche Architektur von Gemini 3 einen neuen Standard für multimodale KI setzen könnte und möglicherweise zukünftige Modelle von Wettbewerbern beeinflusst. Der Start unterstreicht auch die anhaltende Rivalität zwischen Google DeepMind und OpenAI, wobei beide Unternehmen um die Erreichung künstlicher allgemeiner Intelligenz (AGI) wetteifern. Googles Investitionen in TPUs und Partnerschaften mit Chipherstellern wie Broadcom bieten einen Hardwarevorteil, obwohl OpenAI auf NVIDIA-GPUs über Cloud-Anbieter angewiesen ist.
Die Veröffentlichung von Gemini 3 wird voraussichtlich die Einführung multimodaler KI in Branchen wie Medien, Gesundheitswesen und Robotik beschleunigen, wo die gleichzeitige Verarbeitung visueller und auditiver Daten entscheidend ist. Google DeepMind hat auf zukünftige Integrationen mit Robotik angedeutet, aufbauend auf früheren Erkundungen zur Kombination von Gemini mit physischen Systemen.
Zukunftsaussichten
Google DeepMind plant, Gemini 3 weiter zu iterieren, wobei Updates erwartet werden, die die Effizienz verbessern und Kontextfenster über die Ein-Million-Token-Kapazität von Gemini 1.5 hinaus erweitern. Das Unternehmen untersucht außerdem Möglichkeiten zur Reduzierung der Rechenkosten durch Modell-Pruning und Quantisierung, um das Modell für kleinere Entwickler zugänglicher zu machen.
Zu den Forschungsrichtungen gehört die Integration von Gemini 3 in Waymos autonome Fahrsysteme und andere Robotikanwendungen, wobei sein multimodales Verständnis für Echtzeit-Entscheidungsfindung genutzt wird. Darüber hinaus untersucht Google den Einsatz von Gemini 3 in der wissenschaftlichen Forschung, etwa zur Analyse experimenteller Daten über mehrere Modalitäten hinweg.
Zum Zeitpunkt des Starts hat Google DeepMind keinen Zeitplan für Gemini 4 angekündigt, aber das schnelle Entwicklungstempo - von Gemini 1.0 im Dezember 2023 bis Gemini 3 im November 2025 - deutet auf fortlaufende jährliche Updates hin. Das Engagement des Unternehmens für native Multimodalität positioniert Gemini 3 als grundlegendes Modell für zukünftige KI-Systeme, die über mehrere Sinne mit der Welt interagieren.