Hinweis — zukunftsgerichtetes Profil. Deep Research Preview (
deep-research-preview-04-2026) ist der Preview-Snapshot vom April 2026. Verhalten, Fähigkeiten und Ratenlimits werden sich vor der allgemeinen Verfügbarkeit ändern.
Deep Research Preview ist die Basis-Stufe in Googles Deep-Research-Linie. Ein Kontextfenster von 131.072 Token. Sucherweiterte Generierung als Kernfähigkeit — das Modell zieht während seines Laufs Live-Quellen, statt sich ausschließlich auf Trainingsdaten zu stützen, und produziert Zitate für die getroffenen Aussagen.
Dies ist kein Chat-Modell. Es ist auch nicht der schwere Max-Tier-Recherche-Agent. Es sitzt in der Mitte als Such-und-Zitier-Stufe — schneller als Max, gründlicher als ein einfaches Chat-Modell mit angebundenem Such-Tool.
Was es tatsächlich tut
Man gibt ihm eine Frage, die von aktuellen Informationen und expliziten Zitaten profitiert. Es führt eine fokussierte Websuche durch, liest die relevantesten Ergebnisse und produziert eine strukturierte Antwort, die das Quellenmaterial zitiert. Typische Ausgabe:
- Direkte Antwort auf die Frage.
- Kurzes unterstützendes Brief, zwei bis fünf Absätze je nach Fragenform.
- Inline-Zitate zu den verwendeten Quellen.
- Eine Liste konsultierter Quellen am Ende.
Die Läufe sind schneller als Max-Tier-Deep-Research, und die Ausgabe ist kürzer. Man zahlt für Aktualität und Zitationszuverlässigkeit, nicht für tiefe quellenübergreifende Synthese.
Wo es wirklich nützlich ist
Einige Workloads, für die diese Stufe gut passt:
- Zeitkritische Fragen, bei denen der Trainings-Cutoff des Modells die richtige Antwort verpassen würde.
- Zitationspflichtige Ausgaben, bei denen ein Chat-Modell ohne explizites Such-und-Zitier-Tooling entweder Referenzen erfinden oder keine verbindliche Aussage machen würde.
- Schnelle Nachschläge zu aktueller Dokumentation, Gesetzestexten oder Nachrichten, bei denen der Nutzer die Antwort plus einen Link zur Quelle benötigt.
- Leichte Recherche, die die Latenzkosten einer Max-Tier-Tiefensynthese nicht rechtfertigt.
Das Muster: Aufgaben, bei denen man sonst drei oder vier Tabs öffnen, zehn Minuten lesen und einen Absatz schreiben würde, passen gut zu diesem Modell. Aufgaben, die eine Stunde Lesen erfordern, sollten zu Max. Aufgaben, bei denen die Antwort bereits in den Trainingsdaten liegt, brauchen keine Sucherweiterung.
Wann es das falsche Werkzeug ist
Konversationsinteraktionen. Wie der Rest der Deep-Research-Familie: Anfrage und Antwort, kein Chat.
Tiefe Synthese über viele Quellen mit widersprüchlichen Belegen. Max-Tier behandelt das besser. Basis-Preview ist schneller, liest aber weniger.
Alles außerhalb buchstäblicher Recherche. Code-Generierung, Debugging, Bildarbeit — falsche Familie.
Workloads bei sehr hohem Volumen. Der Such-und-Zitier-Loop fügt Latenz hinzu und verbraucht mehr Rechenleistung pro Aufruf als eine einfache Chat-Completion. Entsprechend planen.
Vergleich innerhalb der Familie
Die drei Deep-Research-Preview-Snapshots decken verschiedene Punkte auf der Tiefen-versus-Geschwindigkeits-Kurve ab:
- Deep Research Preview (April 2026) — dieses Modell. Basis-Stufe, schnellste, kürzeste Ausgaben.
- Deep Research Pro Preview (Dezember 2025) — ältere Pro-Stufe, mehr Tiefe als Basis, etwas älterer Agent-Loop.
- Deep Research Max Preview (April 2026) — tiefste Stufe, längste Läufe, gründlichste Ausgabe.
Für die meisten Workloads mit der Basis-Preview beginnen. Zu Pro oder Max aufsteigen, wenn man feststellt, dass die Basis-Stufe wichtige Quellen übersieht oder Ausgaben produziert, denen die für den Downstream-Use benötigte Tiefe fehlt.
Vergleich mit anderen sucherweiterten Modellen
Die direktesten Vergleiche sind suchangereicherte Modi bei OpenAIs GPT-5-Familie und Anthropics Claude-Linie mit aktiviertem Websuche-Tooling. Die Form der Ausgabe ist ähnlich: eine Antwort mit Zitaten.
Googles Basis-Deep-Research-Preview neigt dazu, vielfältigere Quellen zu liefern als eine Einzelsuch-Alternative, weil der Agent mehrere gezielte Suchen statt einer breiten durchführt. Die Ausgabe ist standardmäßig strukturierter, aber weniger konversationell als das, was GPT-5 mit Browsing produziert. Claude mit Websuche ist das vorsichtigste, lehnt selbstbewusst ab, wenn Quellen widersprechen, und tendiert zu sichtbarerer Absicherung in der Ausgabe.
Für interaktive Frage-und-Verfeinerungs-Workflows passen Claude oder GPT-5 besser. Für einmalige Fragen, bei denen der Nutzer eine vollständige Antwort mit Zitaten will und bereit ist, 15 bis 40 Sekunden dafür zu warten, ist Deep Research Preview ein starker Standard.
Das Kategorie-Bild finden Sie auf /benchmarks/intelligence und das laufende Leaderboard auf /benchmarks/leaderboard.
Zitationsqualität in der Praxis
Zwei wichtige Punkte zum Verhalten der Zitate:
Erstens: Die Zitate spiegeln den tatsächlichen Quelleninhalt zuverlässig wider. Das Modell neigt nicht dazu, Referenzen zu erfinden, und wenn es eine Passage aus einer Quelle zitiert, ist die Passage in der Regel in dieser Quelle vorhanden. Das ist nicht universell bei sucherweiterten Modellen — manche Konkurrenten erfinden noch gelegentlich plausibel klingende Zitate.
Zweitens: Die Zitationsabdeckung tendiert zu aktuellen und hochfrequentierten Quellen. Wenn die richtige Antwort auf eine Frage in einer kleinen Archiv-Website, einer PDF auf einem Regierungsportal oder einem akademischen Paper liegt, das in der allgemeinen Websuche nicht gut sichtbar ist, ist es weniger wahrscheinlich, dass das Modell sie zieht. Für spezialisierte Forschungsbereiche, bei denen die richtigen Quellen abseits des hochfrequentierten Webs liegen, ist das relevant.
Deployment-Hinweise
Standard-Google-Gemini-API. Die Deep-Research-Modelle teilen die breitere Gemini-Oberfläche, erfordern aber einen expliziten Modellbezeichner und akzeptieren Parameter, die spezifisch für den Such-und-Zitier-Loop sind.
Latenz ist die wichtigste operative Überlegung. Aufrufe dauern typischerweise 15 bis 40 Sekunden, je nach Fragenkomplexität. Das in der UX einplanen — Fortschritt zeigen, Nutzererwartungen setzen, nicht hinter eine synchrone Interaktion setzen, bei der der Nutzer Sub-Sekunden-Antwort erwartet.
Regionale Verfügbarkeit folgt Googles Standard-Vertex-AI-Muster. EU-Regionen sind auf Enterprise-Verträgen verfügbar; der Standard-API-Zugang pinnt keine Region. Bei strikten Residenzanforderungen die regionale Vertex-AI-Dokumentation konsultieren.
Wann Sie es einsetzen sollten
Greifen Sie zu Deep Research Preview, wenn:
- Sie aktuelle Informationen mit expliziten Zitaten benötigen.
- Die Frage größer ist als ein Einzelsuch-Nachschlag, aber kleiner als ein mehrstündiges Recherche-Brief.
- Zitationszuverlässigkeit wichtig ist und Sie wollen, dass das Modell sauber ablehnt, wenn Quellen widersprechen, statt selbstsichere Antworten zu erfinden.
- Latenz im 15-bis-40-Sekunden-Bereich für den Anwendungsfall akzeptabel ist.
Wählen Sie etwas anderes, wenn:
- Die Frage einen interaktiven Hin-und-Her-Austausch zur Verfeinerung braucht.
- Sub-Sekunden-Latenz Teil der Anforderung ist.
- Die Frage tiefe Synthese über viele Quellen erfordert — Max-Tier passt besser.
- Die Antwort bereits in Trainingsdaten vorliegt und Sucherweiterung nur Latenz ohne Mehrwert hinzufügt.
Zusammenfassung: Solides mittelschweres Recherche-Werkzeug. Schneller als Max, gründlicher als eine Chat-plus-Suche-Alternative, passt zu einer Bandbreite von Workloads, für die es vor dieser Familie keine saubere Antwort gab.
Testen Sie es mit einer aktuellen Frage unter /live-test. Die Zitationsqualität ist das Unterscheidungsmerkmal und lässt sich am einfachsten gegen eigene Fragen bewerten.
Letzte technische Überprüfung: 2026-05-22 — Tokonomix.ai
