Google DeepMind 发布 Genie 4 世界模型，可实时生成带声音的交互场景

要点

Genie 4 旨在实时模拟交互式世界，包括声音和会说话的角色。Gemini 模型在后台规划模拟中接下来会发生什么。目前只有部分测试者可以试用该世界模型。

Google Deepmind 发布了 Genie 4，这是 Genie 3 的继任者，该公司曾在 2025 年 8 月展示过 Genie 3。该世界模型并不生成成品视频，而是逐帧计算场景，并在过程中对输入做出反应。用户通过键盘在场景中移动，并用文本提示引导事件发展。

据 Deepmind 称，Genie 4 是该公司首个直接生成声音的实时世界模型。该公司表示，每个世界都有自己的背景音频，例如树林中的风声。Genie 4 还能处理对话，角色应当能够相互交谈，并实时对用户输入或事件做出反应。

Deepmind 认为，真实感方面最大的提升在于模型渲染人物的方式。角色应当自然移动并对周围环境做出反应，用户应当能够直接控制它们。

Gemini 模型提前规划以保持世界连贯

据 Deepmind 称，Genie 4 建立在视频模型 Gemini Omni 的能力之上，使世界看起来和行为起来都更真实。其他 Gemini 模型帮助规划模拟，以保持其一致性。

如果用户通过文本提示改变天气，Gemini 应当将指令适配到正在运行的场景中。Deepmind 表示，Gemini 还会在输入之间引导事件，使世界以合理的方式持续发展。

Deepmind 用多步骤任务来解释这一过程。Gemini 3.8 Flash 持续观察场景，将目标分解为步骤，并利用新帧检查每一步是否成功。如果世界发生变化或用户介入，模型会调整其计划。

Deepmind 还在测试 Gemini 4 Argon，以将其 Genie 工作与机器人研究 Gemini Robotics 联系起来。在一个演示中，Argon 将下跳棋的任务分解为多个步骤。Genie 4 将这些作为文本指令接收，并用它们模拟 Apptronik 的人形机器人 Apollo 下棋，全程不涉及真实机器人。

更长的会话仍会让模型出错

Deepmind 称 Genie 4 是一个早期的实验性模型。据该公司称，世界在短会话中能保持连贯，但在更长的模拟中或经过多次复杂的提示更改后，视觉细节可能发生偏移，物体也不一定持续存在。

Deepmind 表示，它仍在研究复杂的物理交互、准确的实时声音和可读文本。

Google 表示，所有视频和音轨都将带有其 SynthID 水印，该水印会以不可见的方式标记 AI 生成的内容。

一旦成熟，世界模型可以作为训练环境，让机器人和 AI 智能体从模拟经验中学习，而不仅仅是从数据中学习。Deepmind 认为，将 Gemini 与 Genie 配对是迈向混合世界模型的早期一步，这种模型将语言和代码模型的推理能力与像素级模拟结合起来。

Deepmind 还在测试 Gemini 4 Argon，以将其 Genie 工作与机器人研究 Gemini Robotics 联系起来。在一个演示中，Argon 将下跳棋的任务分解为多个步骤。Genie 4 将这些作为文本指令接收，并用它们模拟 Apptronik 的人形机器人 Apollo 下棋，全程不涉及真实机器人。

更长的会话仍会让模型出错

Deepmind 称 Genie 4 是一个早期的实验性模型。据该公司称，世界在短会话中能保持连贯，但在更长的模拟中或经过多次复杂的提示更改后，视觉细节可能发生偏移，物体也不一定持续存在。

Deepmind 表示，它仍在研究复杂的物理交互、准确的实时声音和可读文本。

Google 表示，所有视频和音轨都将带有其 SynthID 水印，该水印会以不可见的方式标记 AI 生成的内容。

一旦成熟，世界模型可以作为训练环境，让机器人和 AI 智能体从模拟经验中学习，而不仅仅是从数据中学习。Deepmind 认为，将 Gemini 与 Genie 配对是迈向混合世界模型的早期一步，这种模型将语言和代码模型的推理能力与像素级模拟结合起来。