Google DeepMind 发布世界模型 Genie 4

发生了什么

Google DeepMind 于 10 月 27 日宣布推出世界模型 Genie 4，主打更高的真实感和实时交互模拟。据官方说明，Genie 4 原生多模态，可在生成世界的同时产出类似音乐、环境噪声和交互对话的音频。

模型能力建立在 Gemini 系列之上：Gemini Omni 负责让模拟贴近真实世界的外观与行为，其他 Gemini 模型提供维持模拟连贯性所需的推理。用户可以设定一个事件，Genie 4 随后模拟世界如何响应、听起来如何，以及其中的人物如何移动、反应和说话。

官方列出四项关键能力：用自然语言实时修改模拟，例如改变天气、移动镜头或引入新的人或物体；模拟空气动力学、碰撞等物理场景，并让人物动作更自然、可实时操控；首次在实时世界模型中原生生成音频，包括环境声和随输入变化的交互对话；结合 Gemini 模型模拟多步复杂事件。

在多步任务中，Gemini 3.8 Flash 充当循环中的引导智能体，持续观察场景、把目标拆成步骤、检查画面以确认每步是否完成，并在世界变化或用户介入时调整计划。官方还提到用 Gemini 4 Argon 与 Genie 4 配合，模拟 Apptronik 的 Apollo 人形机器人下跳棋。

开放范围与限制

Genie 4 目前以研究预览形式向受信任测试者开放，官方称将先收集反馈，再面向消费者和开发者推出，首批包括 Project Genie 中的 Google AI Ultra 订阅用户，以及 Gemini API 和 Google AI Studio 的早期访问合作伙伴。

官方明确说明这仍是早期实验模型：在短时会话中能维持连贯环境，但视觉细节和物体恒存性可能随时间漂移，尤其是在长时间运行、多次复杂提示修改或在场景中穿行之后。复杂物理交互、实时音频准确性、可读文字渲染、空间准确性和长期一致性仍是进行中的研究课题。所有生成的视频和音频都会嵌入 SynthID 水印。

编辑部观察

这份材料把 Genie 4 的定位放在“世界模型 + 智能体”的组合上，而非单纯的视频生成。值得关注的是官方对缺陷的表述相当具体，漂移和一致性问题的触发条件被逐一点明，这为评估其能否进入机器人训练或交互内容生产流程提供了可核查的边界。

实践建议

对计划试用的团队，可先按官方列出的失效场景设计小规模测试：长时会话、连续多次提示修改、场景内长距离移动，分别观察细节漂移程度；涉及音频对话的场景，需单独核对语音与画面事件的同步性。官方尚未公布定价、调用配额和正式开放时间，这些信息需等待后续公告。