AlphaProof Code: Google prüft libsignal-Sicherheit in nur vier Wochen

Google DeepMind hat die Gemini Decisions API mit dem Modell Gemini Decision 1 sowie das Multi-Agenten-System AlphaProof Code zur mathematischen Verifikation von Software vorgestellt.

Die neue Schnittstelle steht über die Gemini API in Google AI Studio bereit und zielt auf hochgradig strukturierte Entscheidungs- und Klassifikationsaufgaben ab, während AlphaProof Code einen Durchbruch bei der formalen Sicherheitsprüfung komplexer Softwarearchitekturen markiert.

Skalierbare Entscheidungen mit Gemini Decision 1

Das Modell Gemini Decision 1 verarbeitet multimodale Eingaben wie Text, Bild, Audio, Video und PDF-Dateien mit einem Kontextfenster von bis zu 256K Tokens. Es ist darauf ausgelegt, bis zu 1.000 voneinander unabhängige Ja/Nein-, Multiple-Choice- und Rubrik-Fragen in einem einzelnen Durchlauf zu beantworten.

Bei Multiple-Choice-Fragen werden zwischen 2 und 255 Optionen unterstützt, wobei das System zu jeder Option Wahrscheinlichkeiten beziehungsweise Konfidenzwerte von 0 bis 1 ausgibt.

Die Ende-zu-Ende-Latenz liegt zwischen 150 und 250 Millisekunden, wobei 50 bis 100 Millisekunden auf die Modellberechnung bei Kontexten bis zu 16K Tokens entfallen.

Diese Latenz bleibt zwischen 1 und 100 Fragen nahezu konstant. Nach Angaben von Google führt das System eine Benchmark-Suite in den Bereichen Agent-Routing, logisches Schließen und multimodales Verständnis an und weist den niedrigsten Kalibrierungsfehler (Top-1 ECE) auf.

Während neue Modelle komplexe Entscheidungen beschleunigen, stellen regulatorische Vorgaben Unternehmen vor neue Herausforderungen. Dieser kostenlose Download verschafft Ihnen den Überblick über Fristen, Pflichten und Risikoklassen, den Ihre Rechts- und IT-Abteilung jetzt für die Umsetzung des EU AI Acts braucht. EU AI Act in 5 Schritten verstehen

Die Nutzung kostet 0,10 US-Dollar pro einer Million Eingabe-Tokens, während Ausgabe-Tokens unberechnet bleiben. Im Benchmark ist das Modell laut Google fast fünfmal günstiger als Gemini 3.5 Flash-Lite in Kombination mit der Interactions API.

Intern nutzt der Konzern das System bereits für das Modell-Routing in Gemini Notebook, was die Latenz bei Alltagsanfragen um bis zu 40 Prozent senkt, sowie für Design-Prototyping in Stitch und Sicherheitsprüfungen in der Google-Suche.

Der externe Zugang erfolgt zunächst über die Gemini Developer API v1beta, setzt das Software Development Kit google-genai Version 3.2 oder höher voraus und bietet Integrationen für OpenRouter, LangChain sowie Vercel.

Mathematische Verifikation mit AlphaProof Code

Ergänzend stellte Google DeepMind am 10. November 2026 das KI-Framework AlphaProof Code vor, das mit begleitenden Open-Source-Artefakten und einem technischen Papier veröffentlicht wurde.

Das System demonstriert die automatisierte formale Verifikation am Beispiel der kryptografischen Bibliothek libsignal (Version 0.105.4 mit spqr Version 1.6.0) in der Programmiersprache Rust für die Zielarchitektur AArch64, kompiliert mit rustc 1.98.1. Anstelle mehrerer Jahre benötigte das System für den Nachweis zentraler Sicherheitseigenschaften vier Wochen.

Dabei bewies das Framework sowohl symbolisch als auch rechnerisch Eigenschaften wie Forward Secrecy, Authentifizierung, Post-Compromise Security und Handshake-Secrecy im Rahmen von PQXDH und Triple Ratchet.

Die technologische Entwicklung im Bereich KI schafft neue Möglichkeiten, erfordert aber auch eine klare Einordnung von Risiken für Unternehmen. Welche KI-Systeme konkret als Hochrisiko gelten und was Verantwortliche jetzt tun müssen, klärt dieser kostenlose Report zur EU-KI-Verordnung auf. Kostenlosen Umsetzungsleitfaden zum AI Act anfordern

Agententeams auf Basis von Gemini 4 Carbon, aufgeteilt in Aufgaben wie Spezifikationserstellung, Beweisführung und Überprüfung, generierten rund 6,5 Millionen Zeilen maschinengeprüften Lean-Code. Das zugehörige Code-Repository umfasst knapp 7 Millionen Zeilen, während die vertrauenswürdige Basis aus etwa 26.000 Zeilen Spezifikation und AArch64-Semantik besteht.

Rund ein Prozent des Codes wurde für eine manuelle Nachprüfung markiert. Zur Spezifikationserstellung kam teilweise auch Claude Opus 5.5 zum Einsatz. Zur Validierung wurden zwei früher behobene Fehler testweise wieder in die Bibliothek eingefügt; AlphaProof Code erkannte beide korrekt als Verletzung der Sicherheitsanforderungen.

Grenzen und geplante Einsatzbereiche

Die formale Prüfung weist derzeit noch methodische Grenzen auf. Sie deckt im rechnerischen Modell klassische, jedoch keine hypothetischen Quantenangreifer ab. Gruppenchats, Mehrgeräteumgebungen und Seitenkanalangriffe wurden nicht modelliert, kryptografische Grundfunktionen wurden vorausgesetzt und die Signal-App wurde nicht in ihrer Gesamtheit verifiziert.

Signal-Technikchef Ehren Kret erklärte, dass der Ansatz das Vertrauen in den Datenschutz stärke und eine erhebliche Ausweitung früherer formaler Verifikationsmethoden ermögliche. DeepMind-Forscher Swarat Chaudhuri schränkte jedoch ein, dass bis zu einer Skalierung auf alle Softwareprogramme weltweit noch ein weiter Weg vorliege.

Die Spezifikationen und Beweise stellt Google DeepMind quelloffen auf GitHub bereit, ohne das System als eigenständiges Produkt oder über eine Programmierschnittstelle anzubieten. Ein Rebuild und Kernel-Check erfordert mehrere Stunden Rechenzeit bei einem Arbeitsspeicherbedarf von 15 bis 34 GiB RAM.

Künftig plant das Forschungsteam über das Projekt CodeMender eine Ausweitung der Technologie auf Firmware in Medizingeräten, Software für Stromnetze und andere kritische Infrastrukturen.