Gemini 3 ist ein multimodales großes Sprachmodell, das von Google DeepMind entwickelt und im November 2025 als Nachfolger von Gemini 2.0 veröffentlicht wurde. Der Fokus der Veröffentlichung lag auf deutlich verbesserten Fähigkeiten zur Werkzeugnutzung und zum Funktionsaufruf, die es dem Modell ermöglichen, zuverlässiger als frühere Versionen mit externen Softwaresystemen, APIs und Datenbanken zu interagieren. Gemini 3 wurde als ein bedeutender Schritt in Richtung agentischer künstlicher Intelligenz positioniert, bei der Modelle mehrstufige Aufgaben in digitalen Umgebungen autonom ausführen können.
Die Modellfamilie behielt die mit früheren Gemini-Veröffentlichungen etablierte Namenskonvention bei, einschließlich Varianten, die für verschiedene Anwendungsfälle optimiert wurden. Google DeepMind betonte, dass die Verbesserungen von Gemini 3 bei der Werkzeugorchestrierung darauf ausgelegt seien, die Lücke zwischen konversationeller KI und praktischer Automatisierung zu schließen und Anwendungen in der Softwareentwicklung, Datenanalyse und in Unternehmensworkflows zu ermöglichen.
Entwicklungsgeschichte
Die Entwicklung von Gemini 3 basierte auf der Grundlagenarbeit der ursprünglichen Gemini-Modelle, die am 6. Dezember 2023 als Nachfolger von LaMDA und PaLM 2 angekündigt wurden. Die erste Veröffentlichung von Gemini 1.0 führte drei Stufen ein - Ultra, Pro und Nano - wobei Gemini Pro den Bard-Chatbot antrieb und Gemini Nano auf dem Gerät im Pixel-8-Pro-Smartphone lief. Die Architektur wurde durch die Fusion von Google Brain und DeepMind entwickelt, die im April 2023 als Google DeepMind konsolidiert worden waren.
Nachfolgende Updates legten den Grundstein für den Weg zu Gemini 3. Im Februar 2024 führte Gemini 1.5 einen Mixture-of-Experts-Ansatz und ein Kontextfenster von einer Million Token ein, eine erhebliche Erweiterung gegenüber dem ursprünglichen Modell. Gemini 2.0 Flash Experimental kam am 11. Dezember 2024 auf den Markt und fügte eine Multimodale Live-API für Echtzeit-Audio- und Videointeraktionen, native Bildgenerierung und integrierte Google-Suche hinzu. Diese Funktionen legten den Grundstein für die anspruchsvolleren Fähigkeiten zur Werkzeugnutzung, die zum Herzstück von Gemini 3 wurden.
Während der Entwicklungsphase untersuchte Google DeepMind, wie Gemini mit Robotik kombiniert werden könnte, um physisch mit der Welt zu interagieren, wie CEO Demis Hassabis enthüllte. Diese Forschungsrichtung floss in die agentische Designphilosophie hinter dem Funktionsaufruf-Framework von Gemini 3 ein.
Architektur der Werkzeugnutzung
Gemini 3 führte eine neu gestaltete Architektur für die Werkzeugnutzung ein, die es dem Modell ermöglichte, mehrere gleichzeitige Funktionsaufrufe mit verbesserter Genauigkeit und Fehlerbehebung zu verwalten. Das System verwendete einen strukturierten Ansatz zum Parsen der Benutzerabsicht, zur Auswahl geeigneter Werkzeuge und zur Formatierung von Ausgaben in maschinenlesbaren Formaten wie JSON. Dies stellte eine Abkehr von früheren Modellen dar, die oft mit mehrstufigen Werkzeugsequenzen zu kämpfen hatten.
Der erweiterte Funktionsaufruf unterstützte sowohl synchrone als auch asynchrone Ausführungsmuster, was es Entwicklern ermöglichte, Gemini 3 in komplexe Backend-Systeme zu integrieren. Das Modell konnte verschachtelte Werkzeugaufrufe verarbeiten, bei denen die Ausgabe einer Funktion als Eingabe für eine andere diente, ohne den Kontext zu verlieren. Google DeepMind berichtete, dass Gemini 3 die Fehler bei der Werkzeugauswahl im Vergleich zu Gemini 2.0 erheblich reduzierte, obwohl spezifische Benchmark-Zahlen zum Start nicht vollständig offengelegt wurden.
Ein bemerkenswertes Merkmal war die Fähigkeit des Modells, Code-Snippets in einer Sandbox-Umgebung zu generieren und auszuführen, sodass es seine eigenen Ausgaben testen konnte, bevor es sie den Benutzern präsentierte. Diese Selbstverifikationsschleife verbesserte die Zuverlässigkeit bei Programmieraufgaben und Datenverarbeitungsworkflows.
Fähigkeiten zum Funktionsaufruf
Die Fähigkeiten von Gemini 3 zum Funktionsaufruf gingen über einfache API-Aufrufe hinaus und umfassten die dynamische Schemaerkennung, bei der das Modell verfügbare Endpunkte abfragen und seine Aufrufe entsprechend anpassen konnte. Dies war besonders nützlich für Unternehmensbereitstellungen, bei denen sich interne APIs häufig ändern. Das Modell unterstützte parallele Funktionsaufrufe, sodass es Daten aus mehreren Quellen gleichzeitig abrufen und Ergebnisse synthetisieren konnte.
Für Entwickler stellte Google aktualisierte SDKs und Dokumentationen bereit, die den Prozess der Definition benutzerdefinierter Werkzeuge vereinfachten. Das Modell konnte typisierte Parameter, optionale Argumente und komplexe Rückgabestrukturen verarbeiten. Die Fehlerbehandlung wurde durch einen Wiederholungsmechanismus verbessert, der es Gemini 3 ermöglichte, fehlerhafte Aufrufe ohne Benutzereingriff zu korrigieren.
Das Framework zur Werkzeugnutzung wurde entwickelt, um sowohl mit Google-Cloud-Diensten als auch mit Plattformen von Drittanbietern zu funktionieren. Die Integration mit Google Cloud ermöglichte einen nahtlosen Zugriff auf Speicher, Datenbanken und maschinelle Lerndienste, während die Unterstützung für Amazon Web Services und Microsoft Azure Cloud-übergreifende Bereitstellungen ermöglichte. Diese Interoperabilität war ein wichtiges Verkaufsargument für Unternehmen mit Multi-Cloud-Strategien.
Integration agentischer KI
Gemini 3 stellte einen bedeutenden Fortschritt in der agentischen KI dar, der über einfache Fragenbeantwortung hinaus zu autonomer Aufgabenausführung führte. Das Modell konnte einen persistenten Zustand über mehrere Interaktionen hinweg aufrechterhalten, sodass es den Fortschritt bei langlaufenden Projekten verfolgen konnte. Dies wurde durch eine Kombination aus verbessertem Speichermanagement und expliziten Mechanismen zur Zustandsverfolgung erreicht.
In der Praxis konnte Gemini 3 als virtueller Assistent eingesetzt werden, der Besprechungen plante, E-Mail-Korrespondenz verwaltete und Customer-Relationship-Management-Systeme ohne menschliche Aufsicht aktualisierte. Für die Softwareentwicklung konnte es Pull Requests erstellen, Tests ausführen und Fehler basierend auf Anweisungen in natürlicher Sprache beheben. Diese Fähigkeiten positionierten Gemini 3 als direkten Konkurrenten zu ähnlichen agentischen Funktionen, die von OpenAI und Anthropic entwickelt wurden.
Google DeepMind betonte die Sicherheit bei agentischen Bereitstellungen und implementierte Schutzmechanismen, die eine menschliche Genehmigung für Aktionen mit hoher Auswirkung wie Finanztransaktionen oder Datenlöschungen erforderten. Das Modell enthielt außerdem eine Audit-Protokollierung, um alle Werkzeugaufrufe zu verfolgen und so Transparenz für Compliance-Zwecke zu bieten.
Leistung und Benchmarks
Zum Start veröffentlichte Google DeepMind Benchmark-Ergebnisse, die zeigten, dass Gemini 3 seinen Vorgänger bei mehreren Standardbewertungen übertraf. Das Modell zeigte besondere Stärke bei Benchmarks zur Werkzeugnutzung, einschließlich der ToolBench- und API-Bank-Datensätze, bei denen es State-of-the-Art-Ergebnisse erzielte. Beim Massive Multitask Language Understanding (MMLU)-Test setzte Gemini 3 den Trend fort, der mit Gemini Ultra etabliert wurde, das das erste Modell war, das mit einer Punktzahl von 90% die Leistung menschlicher Experten übertraf.
Unabhängige Bewertungen von akademischen Einrichtungen wie dem Stanford AI Lab und der BAIR (Berkeley AI Research) bestätigten die verbesserte Zuverlässigkeit des Modells bei mehrstufigen Denkaufgaben. Einige Forscher stellten jedoch fest, dass Gemini 3 immer noch mit mehrdeutigen Werkzeugspezifikationen zu kämpfen hatte und sorgfältig formulierte Prompts für eine optimale Leistung erforderte. Die Leistung des Modells in realen Unternehmensworkflows wurde als stark berichtet, obwohl langlaufende agentische Sitzungen gelegentlich menschliches Eingreifen erforderten.
Unternehmens- und Entwicklerzugang
Gemini 3 wurde über mehrere Kanäle verfügbar gemacht, darunter die Gemini-API, Google Cloud Vertex AI und AI Studio. Google bot gestaffelte Preise basierend auf der Nutzung an, mit einer kostenlosen Stufe für Experimente und kostenpflichtigen Plänen für Produktionsworkloads. Das Modell war in über 100 Ländern verfügbar, mit Unterstützung für mehrere Sprachen, obwohl Englisch am umfassendsten optimiert blieb.
Für Unternehmenskunden führte Google spezialisierte Support-Pakete ein, die dedizierte Infrastruktur, vorrangigen Zugang zu neuen Funktionen und Beratungsdienste für die Werkzeugintegration umfassten. Das Unternehmen ging außerdem eine Partnerschaft mit Samsung Electronics ein, um Gemini 3 für die Bereitstellung auf dem Gerät in zukünftigen Galaxy-Geräten zu optimieren, basierend auf der früheren Integration von Gemini Nano in der Galaxy-S24-Produktreihe.
Entwickler konnten über REST-APIs, Python- und JavaScript-SDKs sowie eine Befehlszeilenschnittstelle auf Gemini 3 zugreifen. Das Open-Source-Gemini-CLI, das im Juni 2025 eingeführt wurde, wurde aktualisiert, um die erweiterte Werkzeugnutzung von Gemini 3 zu unterstützen, sodass Entwickler terminalbasierte Workflows mit Befehlen in natürlicher Sprache automatisieren konnten.
Vergleiche mit Wettbewerbern
Gemini 3 trat in eine wettbewerbsintensive Landschaft ein, die von OpenAIs GPT-4 und GPT-4o, Anthropics Claude 3 und Claude 4 sowie Open-Source-Alternativen von Meta und anderen Organisationen dominiert wurde. Google positionierte Gemini 3 als überlegen in Bezug auf die Zuverlässigkeit der Werkzeugnutzung im Vergleich zu diesen Rivalen und verwies auf interne Bewertungen, die weniger Fehler bei mehrstufigen Funktionsaufrufszenarien zeigten.
Unabhängige Vergleiche durch Drittanbieter-Forscher ergaben, dass Gemini 3 bei allgemeinen Wissensaufgaben mit GPT-4o konkurrieren konnte und bei bestimmten Programmier-Benchmarks überlegen war. Die Integration des Modells mit der Google-Suche bot einen Vorteil bei Aufgaben, die aktuelle Informationen erforderten, ähnlich dem Ansatz, der in Gemini 2.0 verwendet wurde. Einige Rezensenten stellten jedoch fest, dass die Claude-Modelle von Anthropic eine bessere Leistung bei Aufgaben mit langem Kontext boten, einem Bereich, in dem Gemini 3 nur bescheidene Verbesserungen zeigte.
Die Veröffentlichung von Gemini 3 hatte auch Auswirkungen auf das breitere KI-Hardware-Ökosystem. Das Modell wurde auf Googles Tensor Processing Units (TPUs) trainiert, und Google investierte weiterhin in kundenspezifische Siliziumchips, um die Abhängigkeit von NVIDIA-GPUs zu verringern. Diese Strategie stand im Einklang mit ähnlichen Bemühungen von Amazon Web Services mit seinen Trainium-Chips und Microsoft Azure mit kundenspezifischen Beschleunigern.
Zukünftige Richtungen
Nach dem Start im November 2025 gab Google DeepMind an, dass Gemini 3 regelmäßige Updates erhalten werde, mit einem Fokus auf die Ausweitung der Werkzeugnutzung auf weitere Bereiche und die Verbesserung der Multi-Agenten-Kollaboration. Das Unternehmen untersuchte außerdem die Integration von Gemini 3 mit den autonomen Fahrsystemen von Waymo und anderen Robotikanwendungen, basierend auf früheren Forschungen zur Kombination von Sprachmodellen mit physischer Weltinteraktion.
Google kündigte Pläne an, Gemini 3 in mehr Sprachen verfügbar zu machen und die Latenz für Echtzeitanwendungen zu reduzieren. Das Unternehmen verpflichtete sich außerdem zu fortlaufenden Sicherheitstests, in Übereinstimmung mit früheren Praktiken, Ergebnisse mit Regierungsbehörden in den Vereinigten Staaten und dem Vereinigten Königreich zu teilen. Zum Startdatum war Gemini 3 auf Englisch verfügbar, mit zusätzlicher Sprachunterstützung, die in nachfolgenden Veröffentlichungen erwartet wurde.