Gemini 4 Argon erobert Spitzenplatz in Roboflows Vision-Benchmark zurück

Google kehrt nach zwischenzeitlichem Abrutschen an die Spitze zurück

Nach Angaben von Roboflow haben Gemini-Modelle seit Beginn der Bewertung von Vision-Language-Modellen durchgängig hohe Werte bei den Erkennungs- und Text-Benchmarks erzielt. In jüngerer Zeit legten jedoch andere Forschungsgruppen zu. Laut Roboflow übernahm GPT-6 Astra bei den meisten Benchmarks die Führung, dicht gefolgt von Anthropic und Qwen. Beide Unternehmen brachten zunehmend leistungsfähige Modelle auf den Markt, darunter kleinere und schnellere Varianten, und Google fiel in den Rankings zurück.

Mit Gemini 4 Argon ist Google laut Roboflow im Gesamt-Vision-Benchmark wieder ganz oben. Das Unternehmen testete das Modell bei Objekterkennung, Segmentierung und drei OCR-Aufgaben und probierte zudem anspruchsvollere Video-Anwendungsfälle aus. Roboflow geht außerdem auf die Prompts, die Geschwindigkeit und die Kosten der Experimente ein und stellt Argon in seinem Roboflow Playground bereit, sodass Nutzer Erkennung, Segmentierung und OCR mit eigenen Bildern ausprobieren können.

Ergebnisse bei Erkennung und Segmentierung

Bei der Objekterkennung per Text-Prompt führt Argon die Rangliste sowohl bei niedrigem als auch bei hohem Reasoning-Aufwand an und erreicht 82,5 % bzw. 85,1 % mAP@50. Laut Roboflow schlägt es Astra auf beiden Stufen und verbessert das bisher beste Gemini-Ergebnis in jeder Einstellung um mehr als 10 Prozentpunkte.

Roboflow testete außerdem Box-Prompting, bei dem der Nutzer dem Modell ein Beispielobjekt zeigt, statt es zu benennen. Positive Beispiele geben an, was gefunden werden soll, negative, was ignoriert werden soll. Das hilft bei Klassen, die sich schwer in Worte fassen lassen. Beispiele lassen sich als Koordinaten angeben oder im Bild markieren, und ein Referenzobjekt in einem Bild kann genutzt werden, um Treffer in einem anderen zu finden. Roboflow hatte dies zuvor mit Qwen 3.8 Max und GPT-6 Astra untersucht und erklärt, Argon habe am besten abgeschnitten.

Segmentierung ist für Vision-Language-Modelle ressourcenintensiv, weil jedes Objekt als Polygon beschrieben werden muss und Objekte mit Löchern oder getrennten Teilen zusätzliche Struktur benötigen. Dennoch zeige die Qualität der Masken, wie viel möglich sei, so Roboflow, und verweist auf ein Beispiel mit Fremdkörpern zwischen Karotten, bei dem Löcher außerhalb der Masken bleiben mussten. SAM 3 sei mit Text-Prompts deutlich schneller, merkt Roboflow an, doch sein Verständnis komplexer Text-Prompts könne begrenzend wirken. Argons stärkeres Sprachverständnis helfe, wenn die Beschreibung des Ziels mehr als einen einfachen Klassennamen erfordert.

OCR: deutliche Zugewinne, aber Handschrift und kleiner Text bleiben schwierig

Bei der Extraktion einzelner Zeichenketten waren frühere Gemini-Modelle auch nach dem Start von Astra stark geblieben. Argon baut diesen Vorsprung aus und erreicht bei hohem Aufwand 80,0 % gegenüber 71,7 % für das bisher beste Gemini-Modell in derselben Einstellung. Fehler treten weiterhin bei kleinem, unscharfem oder schwer lesbarem Text auf, etwa auf einem Nummernschild, sowie bei Fällen, die mehr als Zeichenerkennung verlangen, etwa wenn die Rollen eines Stromzählers zu einem Zählerstand zusammengesetzt werden müssen.

Auch bei der Extraktion von JSON-Daten liegt Argon vorn, mit 92,6 % bei niedrigem und 94,8 % bei hohem Aufwand. Laut Roboflow ist der Abstand zwischen den führenden Modellen hier geringer, und frühere Gemini-Modelle waren bereits sehr präzise. Handschrift bleibt problematisch; als Beispiele für fehlerhafte Extraktionen nennt Roboflow handschriftliche Schecks und Apothekenrechnungen.

Textlokalisierung und -erkennung, eine der neueren Aufgaben im Benchmark, verbindet das Auffinden von Text mit seinem Lesen. Laut Roboflow lagen zuvor die neuesten OpenAI-Modelle vorn, doch nun führt Argon auf beiden Aufwandsstufen mit 81,6 % und 84,7 %. Die Aufgabe ist nützlich für technische Zeichnungen, Karten und andere Bilder, in denen Text an verschiedenen Stellen und in unterschiedlicher Ausrichtung auftaucht, darunter gedrehte Zeichen und ungewöhnliche Schriftarten.

Test zur Wiedererkennung im Video und was er bedeutet

Roboflow testete außerdem, ob Argon dieselben Basketballspieler in zwei Bildern derselben Spielszene identifizieren kann und dabei Bounding Boxes mit konsistenten Spieler-IDs liefert. Ein ähnliches Experiment hatte das Unternehmen bereits mit Astra durchgeführt und wollte sehen, ob es sich mit Argon wiederholen lässt. Der hier vorliegende Quelltext endet vor den Ergebnissen dieses Tests.

Für Entwickler, die ein Vision-Language-Modell auswählen, deutet der Benchmark darauf hin, dass Argon nach Roboflows eigenen Tests inzwischen eine führende Option für Erkennungs- und Textleseaufgaben ist. Die aufgeführten Fehlerfälle zeigen, wo weiterhin Vorsicht geboten ist: bei Handschrift, kleinem oder unscharfem Text und Ablesungen, die zusätzliches Schlussfolgern erfordern.