Kurz gesagt. Gemini 3.1 Pro gewinnt bei "reinem" Reasoning (ARC-AGI-2, GPQA) und ist das einzige der drei Modelle, das nativ mit Audio und Video arbeitet, nicht nur mit Text und Bildern. Sonnet 5 gewinnt bei der vorhersehbaren Abrechnung langer Kontexte und der Agentenprogrammierung im SWE-bench-Stil. Man sollte nicht nur ein Gemini-Modell vergleichen, sondern zwei – ich erkläre unten, warum.
Eine vollständige technische Analyse von Sonnet 5 – Architektur, Aufwand, Benchmarks, Einschränkungen – habe ich bereits in einer separaten Übersicht geschrieben. Hier – nur ein direkter Vergleich mit der Gemini 3-Reihe.
Inhalt
Zwei Gemini-Modelle statt eines
Im Gegensatz zu Vergleichen mit GPT-5.5 oder Kimi K2.5 gibt es hier kein einzelnes offensichtliches Konkurrenzmodell. In der Gemini 3-Reihe leben gleichzeitig Gemini 3.1 Pro – das Flaggschiff-Reasoning-Modell, das am 19. Februar 2026 veröffentlicht wurde – und Gemini 3.5 Flash, ein günstigeres Modell Mitte 2026, das speziell auf Agenten- und Codierungsaufgaben ausgerichtet ist. Sonnet 5 nur mit einem von ihnen zu vergleichen, wäre unvollständig: Pro ist der engste Konkurrent in der "Flaggschiff"-Klasse, Flash ist der engste in Bezug auf Preispositionierung und Fokus auf Codierung.
Daher vergleiche ich dort, wo es um tiefes Reasoning und Multimodalität geht, mit Gemini 3.1 Pro. Wo es um Agentenprogrammierung und Preis geht, – mit Gemini 3.5 Flash. Dies ist kein Versuch, in jedem Abschnitt einen vorteilhaften Vergleich zu erzwingen, sondern eine ehrliche Anerkennung, dass Google keinen direkten Analogon zu Sonnet 5 in der Positionierung "mittleres Segment, auf Agenten ausgerichtet" hat.
Preis und Abrechnung langer Kontexte
| Modell |
Eingabe (pro 1 Mio., ≤200K) |
Ausgabe (pro 1 Mio., ≤200K) |
Über 200K Token |
| Claude Sonnet 5 |
$2 (später $3) |
$10 (später $15) |
Kein Aufschlag |
| Gemini 3.1 Pro |
$2 |
$12 |
Höherer Satz für die gesamte Anfrage |
| Gemini 3.5 Flash |
$1.50 |
$9 |
— |
Zum Basissatz bis zu 200K Token sind Gemini 3.1 Pro und Sonnet 5 (zum Startpreis) bei Eingabetoken fast gleich, aber Gemini ist bei der Ausgabe teurer. Der Hauptunterschied liegt in der Abrechnungsmechanik für lange Kontexte: Google berechnet die gesamte Anfrage zum höheren Satz, sobald die Eingabe 200.000 Token überschreitet – das heißt, im Gegensatz zu Sonnet 5, wo der Preis pro Token über das gesamte 1M-Fenster gleich ist, gibt es bei Gemini eine klare Schwelle, nach der jeder Token der Anfrage (nicht nur die überschüssigen) teurer wird.
Dies ist bereits der dritte unterschiedliche Ansatz zur Abrechnung langer Kontexte, den ich in dieser Artikelreihe untersuche: Sonnet 5 – gleicher Preis für das gesamte 1M, GPT-5.5 – Schwelle bei 272K, Gemini 3.1 Pro – Schwelle bei 200K. Wenn Ihre typische Anfrage regelmäßig die Schwelle eines bestimmten Anbieters überschreitet, wirkt sich dies stärker auf das Budget aus als der Unterschied im Basissatz pro Token.
Kontextfenster und Multimodalität
Formell sind die Kontextfenster ähnlich: 1 Mio. Token bei Gemini 3.1 Pro gegenüber 1 Mio. bei Sonnet 5, obwohl die maximale Ausgabe bei Gemini deutlich geringer ist – 64K Token gegenüber 128K bei Sonnet 5.
Der eigentliche Unterschied liegt nicht in der Größe des Fensters, sondern darin, was hineingelegt werden kann. Gemini 3 ist ein nativ multimodales Modell, das mit Text, Bildern, Audio und Video in einer einzigen Anfrage arbeitet. Sonnet 5 akzeptiert Text, Bilder und Dateien, aber nicht direkt Audio oder Video. Es geht nicht um "besser/schlechter" – es geht um eine andere Klasse von Aufgaben: Wenn Sie eine einstündige Videoaufnahme eines Meetings oder eine Audioaufnahme eines Anrufs analysieren müssen, ohne einen separaten Transkriptionsschritt, kann Gemini 3.1 Pro dies technisch mit einer einzigen Anfrage erledigen, während für Sonnet 5 ein separates Transkriptionstool am Eingang der Pipeline benötigt wird. Mehr über die Besonderheiten von LLM-Kontextfenstern erfahren Sie im Artikel LLM-Kontextfenster: Warum KI vergisst und was es kostet.
Für die überwiegende Mehrheit der Aufgaben, mit denen ich in meinen eigenen Projekten arbeite (Textdokumente, Code, RAG über PDFs), ist dieser Unterschied nicht kritisch – beide Modelle werden gleichermaßen gut zurechtkommen. Aber wenn Ihr Produkt auch nur teilweise mit Audio oder Video arbeitet, ist dies das einzige Kriterium in diesem Vergleich, das die Frage bereits vor der Betrachtung der Benchmarks klären kann.
Programmier-Benchmarks
| Benchmark |
Claude Sonnet 5 |
Gemini 3.1 Pro |
Gemini 3.5 Flash |
| SWE-bench Pro |
63,2% |
—* |
55,1% |
| SWE-bench Verified |
85,2% |
80,6% |
—* |
| Terminal-Bench 2.1 |
80,4% |
—* |
76,2% |
* Google hat keine vergleichbare Zahl für diesen spezifischen Benchmark und diese Version veröffentlicht – ich erfinde keine Zahl, die nicht in den offiziellen Materialien enthalten ist.
Bei SWE-bench Verified liegt Sonnet 5 mit etwa 4,5 Punkten vor Gemini 3.1 Pro (80,6%). Mit dem preislich konkurrierenden Gemini 3.5 Flash ist der Vorsprung bei SWE-bench Pro und Terminal-Bench mit 8 bzw. 4 Punkten etwas größer – was logisch ist, da Flash eindeutig als Budget- und nicht als Flaggschiff-Modell für das Codieren positioniert ist.
Wichtig: Google räumt ein, dass bei spezialisierten Coding-Benchmarks (Terminal-Bench 2.0, SWE-Bench Pro) die Konkurrenten und nicht Gemini 3.1 Pro führen – das Unternehmen selbst konzentriert seine Führungsansprüche auf Reasoning-Benchmarks und nicht auf das Codieren. Dies stimmt mit den obigen Zahlen überein und verleiht ihnen Glaubwürdigkeit – wenn ein Labor selbst nicht den Anspruch auf Führung erhebt, wo es verliert, ist das ein gutes Zeichen dafür, dass auch die übrigen angegebenen Zahlen nicht geschönt sind.
Reasoning und wissenschaftliche Aufgaben
Hier liegt der Vorteil klar auf Seiten von Google. Bei ARC-AGI-2 – einem Benchmark für abstraktes Schlussfolgern, der als einer der schwierigsten für LLMs gilt – erzielt Gemini 3.1 Pro 77,1%, was mehr als das Doppelte des Ergebnisses der Vorgängerversion Gemini 3 Pro (31,1%) ist. Bei GPQA Diamond (Doktoranden-Niveau wissenschaftlicher Fragen) beträgt das Ergebnis 94,3%.
Eine direkte vergleichbare Zahl für Sonnet 5 bei ARC-AGI-2 fehlt in den offiziellen Anthropic-Materialien – ich kann diese spezifischen Zahlen nicht korrekt vergleichen. Aber die Prioritätensetzung der beiden Unternehmen ist hier bezeichnend: Anthropic optimiert Sonnet 5 eindeutig für Agenten-Nützlichkeit (Aufgaben bis zum Ende bringen, Codieren, Computer-Nutzung), während Google bei dieser Veröffentlichung eindeutig auf "reines" Reasoning und wissenschaftlich-mathematische Aufgaben setzt. Für Forschungsteams, bei denen die Erfolgsmetrik die richtige Antwort auf eine komplexe wissenschaftliche Frage ist und nicht die Ausführung eines mehrstufigen Geschäftsprozesses, ist dies ein echter Grund, Gemini 3.1 Pro in erster Linie in Betracht zu ziehen.
Agentenfunktionen und Google Antigravity
Google bewirbt die Agentenfunktionen von Gemini 3 über die separate Plattform Antigravity – eine Umgebung, in der das Modell einen Code-Editor, ein Terminal und einen Browser direkt steuert, um Aufgaben End-to-End auszuführen, konzeptionell ähnlich dem, was Claude über Computer-Nutzung und Claude Code tut.
Bei OSWorld (Computer-Nutzung) erzielt Gemini 3.1 Pro 78,4% – nahe am Wert von Sonnet 5 (81,2%) für dieselbe Aufgabenklasse, der Unterschied liegt im Bereich weniger Punkte. Bei Agenten-Workflows (MCP Atlas) gibt Gemini 83,6% an, obwohl es in den Anthropic-Materialien keinen direkten Analogon zu diesem Benchmark gibt, um ihn direkt zu vergleichen.
Praktisch bieten beide Ökosysteme derzeit einen ähnlichen Satz von Agenten-Primitiven – Browser-Steuerung, Terminal, MCP-Integrationen. Die Wahl zwischen ihnen auf der Ebene "wer die Agentenaufgabe besser ausführt" liegt derzeit näher am Gleichstand als an den 5-10 Punkten Unterschied, die oft in den Marketingmaterialien beider Unternehmen hervorgehoben werden.
Ökosystem-Integration
Dies ist ein nicht-technischer, aber praktisch wichtiger Faktor, der im Vergleich zu GPT-5.5 oder Kimi fehlte. Gemini 3 ist tief in das Google-Ökosystem integriert – Workspace (Docs, Sheets, Gmail), Vertex AI, Android Studio, NotebookLM. Wenn ein Team bereits in Google Workspace arbeitet, erfordert die Anbindung von Gemini keine separate Integrationsarbeit – das Modell ist bereits "innerhalb" der gewohnten Werkzeuge.
In meiner eigenen Praxis baue ich Agenten-Pipelines auf Spring AI über verschiedene Modell-Provider hinweg auf, gerade weil die Bindung an ein einziges Ökosystem ein Kompromiss ist, der im Voraus bedacht werden sollte. Anthropic hingegen versucht nicht, Teil eines breiteren Produktivitäts-Stacks zu sein – Sonnet 5 ist über API, Bedrock, Vertex AI verfügbar, und die Integration erfolgt immer auf Seiten des Entwicklers. Für ein Team, das bereits tief in Google Workspace integriert ist, ist dies ein echter Vorteil für Gemini, unabhängig von Benchmarks. Für ein Team mit einem unabhängigen, benutzerdefinierten Agenten-Stack (wie meinem) spielt dieser Vorteil keine Rolle – beide Modelle sind über einen normalen API-Aufruf gleichermaßen zugänglich.
Zusammenfassende Vergleichstabelle
| Kriterium |
Gewinner |
| Preis pro Token (Basissatz) |
Ungefährer Gleichstand |
| Abrechnung für langen Kontext |
Claude Sonnet 5 (keine Obergrenze) |
| Multimodalität (Audio/Video) |
Gemini 3.1 Pro (einzige der drei) |
| SWE-bench Verified/Pro |
Claude Sonnet 5 |
| Abstraktes Reasoning (ARC-AGI-2, GPQA) |
Gemini 3.1 Pro |
| Computer-Nutzung (OSWorld) |
Ungefährer Gleichstand |
| Ökosystem-Integration |
Abhängig vom vorhandenen Stack des Teams |
Diese Tabelle führt bewusst nicht zu einem einzigen Gewinner mehr als jede andere in diesem Cluster – hier gibt es sogar weniger eindeutige Siege als im Vergleich zu GPT-5.5 oder Kimi. Dies spiegelt die Situation ehrlich wider: Gemini 3 und Sonnet 5 sind auf unterschiedliche Prioritäten optimiert (Reasoning + Multimodalität gegen Agenten-Nützlichkeit + vorhersehbare Wirtschaftlichkeit) und konkurrieren nicht in derselben Kategorie.
Was wählen für multimodale Aufgaben
Wenn ein Produkt direkt mit Video oder Audio arbeitet (Analyse von Besprechungsaufzeichnungen, Verarbeitung von Mediendateien ohne separate Transkription) – Gemini 3.1 Pro ist das einzige der drei Modelle in diesem Vergleich, das dies nativ mit einer einzigen Anfrage tut. Hier ist die Wahl unkompliziert.
Was wählen für wissenschaftliche/forschungsbezogene Aufgaben
Für Aufgaben mit hohem Gewicht an "reinem" abstraktem Reasoning – wissenschaftliche Hypothesen, komplexe Mathematik, Aufgaben wie ARC-AGI-2 – sind die Zahlen von Gemini 3.1 Pro laut offiziellen Daten beider Unternehmen stärker. Ich würde Gemini 3.1 Pro als erste Wahl für Forschungs-Workflows betrachten, nicht für Produktionsagenten.
Was wählen für Agenten-Codierung in der Produktion
Bei SWE-bench Verified/Pro und Terminal-Bench liegt Sonnet 5 vor beiden Gemini-Modellen, und die Abrechnung für langen Kontext ohne Schwellenwert sorgt für eine besser vorhersehbare Wirtschaftlichkeit für Agenten, die ein großes Kontextfenster aktiv nutzen. Für Produktions-Code-Agenten würde ich mit dem Testen bei Sonnet 5 beginnen und Gemini 3.1 Pro als Kandidaten für Aufgaben aufbewahren, bei denen stärkeres Reasoning und nicht rohe Ausführungsgeschwindigkeit von Codeänderungen benötigt wird.
Häufig gestellte Fragen
Mit welchem Gemini-Modell sollte Sonnet 5 korrekt verglichen werden?
Mit beiden, je nach Aufgabe. Gemini 3.1 Pro ist ein direkter Konkurrent in der "Flaggschiff"-Klasse: Vergleichen Sie es damit, wenn Sie sich für Reasoning, wissenschaftliche Aufgaben oder Multimodalität interessieren. Gemini 3.5 Flash ist ein Konkurrent in Bezug auf die Preispositionierung und Agenten-Codierung: Vergleichen Sie es damit, wenn das Hauptkriterium die Kosten pro Token bei massiver Agentennutzung sind. Es ist nicht ratsam, das "Mittel" zwischen den beiden Gemini-Modellen als einzigen Vergleichspunkt zu nehmen – dies würde ein verzerrtes Bild ergeben, da Pro und Flash für unterschiedliche Szenarien optimiert sind und keine einzelne Zahl beide gleichzeitig beschreibt.
Funktioniert Sonnet 5 mit Video und Audio?
Nein, es nimmt sie nicht direkt entgegen – das Modell ist auf Text, Bilder und Dateieingaben beschränkt. Gemini 3.1 Pro ist das einzige der drei Modelle in diesem Vergleich mit nativer Unterstützung für Audio und Video in einer einzigen Anfrage, ohne eine separate Transkriptions- oder Vorverarbeitungsphase der Mediendatei. Wenn Sie Video oder Audio über Sonnet 5 verarbeiten müssen, müssen Sie ein separates Transkriptionstool (z. B. Whisper oder ein ähnliches) am Eingang Ihrer eigenen Pipeline hinzufügen – dies ist technisch möglich, fügt aber einen separaten Schritt und eine Abhängigkeit hinzu, die bei der direkten Arbeit mit Gemini nicht vorhanden ist.
Welches Modell ist besser für die Codierung?
Laut offiziellen Benchmarks (SWE-bench Verified – 85,2 % gegenüber 80,6 %; SWE-bench Pro – 63,2 % gegenüber 55,1 % bei Gemini 3.5 Flash; Terminal-Bench 2.1 – 80,4 % gegenüber 76,2 %) liegt Sonnet 5 mit einem Vorsprung von etwa 4-8 Punkten, je nach spezifischem Benchmark, vor beiden Gemini-Modellen. Es ist wichtig, den Kontext zu berücksichtigen: Google selbst beansprucht keine Führung bei diesen spezialisierten Code-Benchmarks und konzentriert seine Marketingaussagen auf Reasoning-Indikatoren – dies ist also kein widersprüchliches, sondern ein übereinstimmendes Bild von beiden Seiten. Wenn Codierung das Hauptanwendungsszenario ist, würde ich mit dem Testen bei Sonnet 5 beginnen, nicht bei den Gemini-Modellen.
Gibt es bei Gemini einen Aufschlag für langen Kontext?
Ja, und das ist einer der praktischsten Unterschiede in diesem Vergleich. Sobald die Eingabeanfrage den Schwellenwert von 200.000 Tokens überschreitet, berechnet Google die gesamte Anfrage zu einem höheren Satz – nicht nur die Tokens über dem Schwellenwert. Bei Sonnet 5 gibt es überhaupt keinen solchen Schwellenwert: Der Preis pro Token ist über das gesamte Fenster von 1 Million Tokens gleich, vom ersten bis zum letzten. Dies ist der dritte unterschiedliche Ansatz zur Abrechnung von langem Kontext unter den Modellen, die ich in diesem Cluster von Artikeln untersuche (bei GPT-5.5 liegt der Schwellenwert bei 272.000). Praktische Konsequenz: Wenn Ihre typischen Anfragen regelmäßig die Marke von 200.000 überschreiten – berechnen Sie nicht den Nennpreis pro Token, sondern die erwarteten Kosten einer typischen Anfrage unter Berücksichtigung des Schwellenwerts, sonst kann das Budget für Gemini höher ausfallen, als es auf den ersten Blick aus der Preisliste scheint.
Lesen Sie auch:
