Google DeepMind 宣布推出世界模型 Genie 4，核心更新是原生同步生成环境音、音乐与互动对话，并支持用户用自然语言实时修改场景。外媒提到，Genie 4 的连贯互动时长约可维持 2 分钟，较 Genie 3 约 1 分钟翻倍。
台北时间 10 月 28 日凌晨，Google DeepMind 在 X 发布了一段约 147 秒的演示视频，并将 Genie 4 称为「目前最写实、最可互动」的世界模型。不过，这一版本暂未面向公众全面开放。官方在博客中表示，Genie 4 目前先以研究预览形式提供给 trusted testers。
Genie 4新增了哪些能力
按照 DeepMind 的说法，Genie 4 是原生多模态模型。随着画面推进，系统可以同步生成音乐、环境音和互动对话。官方称，这是首次在实时世界模型中原生生成音频，而不是在生成完成后再进行配轨。
在导航层面，Genie 4 结合了 Gemini 家族模型。其中国 Gemini Omni 用于将模拟锚定在真实世界的外观与行为上，其他 Gemini 模型则负责补充连贯推理。用户可以通过自然语言即时调整天气、镜头，或添加人物与物体；在交互过程中，Gemini 也会持续监测并修正场景走向。
DeepMind 还提到，Genie 4 在物理表现和人物动作上都有升级，包括气动效果、碰撞反馈更接近真实，人物动作也更自然，并可被实时引导。官方演示显示，用户可以用键盘控制移动和镜头，再通过文字提示推动场景发展。DeepMind 强调，这一过程底层采用的是像素级实时生成，而不是先制作关卡资产再播放。
为何与Gemini和机器人实验绑定
DeepMind 将 Genie 与 Gemini 结合，目标是模拟多步骤的复杂事件。具体实现上，Gemini 3.8 Flash 作为「guiding agent in the loop」，在观看画面的同时拆解目标，并逐步核对每一步是否完成；一旦场景变化或有人介入，系统会当场调整计划。
官方还提到与 Gemini Robotics 和 Gemini 4 Argon 的实验。按照说明，Argon 会先把任务拆解成多个步骤，再通过实时文字字幕引导 Genie 4 渲染场景，例如模拟人形机器人下棋。报道指出，这类能力更接近一个可测试的沙盒环境，内容和资产如何进入其中，仍是后续问题。
测试范围、时长与当前限制
DeepMind 表示，当前 trusted testers 已覆盖影视、新闻、教育、游戏和工程等领域。有人将其用于预视草稿，也有人尝试把一张历史照片转成可进入的空间；游戏方向的测试者则在编写引擎代码前，先用自然语言探索外观和互动方式。
不过，官方同时强调，Genie 4 仍处于早期研究阶段，最终端到端产品会是什么形态，目前尚未确定。
关于可持续交互时长，TechCrunch 与 The Verge 均提到，Genie 4 的互动大约可维持 2 分钟，约为 Genie 3 的两倍。相比之下，DeepMind 在官方表述中更为保守，仅称其在短时段内可以保持连贯，但在更长时间运行后，细节和物体恒常性仍会出现漂移。
DeepMind 也列出了当前限制，包括复杂物理、音频准确度、可读文字、空间准确度和长期一致性等问题仍在研究中。按官方描述，Genie 4 现阶段更像是一个可连续运行几分钟的实时草稿系统，而不是一个可以无限稳定漫游的世界。
开放节奏与后续安排
在发布节奏上，Genie 4 目前先向 trusted testers 提供，之后将开放给 Google AI Ultra 订阅用户中的 Project Genie 用户，以及 Gemini API 和 Google AI Studio 的早期合作伙伴，并同步开放 waitlist。
官方表示，生成内容将带有 SynthID 水印，安全评估和护栏机制将按照其既有政策执行，先在小范围收集反馈，再逐步扩大开放范围。