Google DeepMind 发布实时交互世界模型 Genie 4

Google DeepMind 于 2026 年 10 月 27 日发布新一代世界模型 Genie 4，定位为实时交互式世界模拟，官方称其在真实感和实时交互能力上有明显提升。模型原生支持多模态，可在生成世界画面的同时输出环境声、类音乐音频和可实时交互的人物对话，官方称这是首个原生生成音频的实时世界模型。 Genie 4 融合并扩展了 Gemini 系列能力：Gemini Omni 为模拟提供真实世界外观与行为的依托，其他 Gemini 模型提供维持连贯性所需的推理能力。用户可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物和物体，Gemini 会结合上下文调整提示并监测场景推进。为实现实时效果，Gemini 3.8 Flash 在循环中充当引导代理，持续观察场景、把目标分解为步骤、审查传入帧以跟踪进度，并在世界变化或用户介入时即时调整计划。 官方还展示了与 Gemini 4 Argon 结合的机器人模拟试验，将用户指定任务分解为步骤并以文本字幕形式交错发送给 Genie 4，用于模拟 Apptronik 的 Apollo 人形机器人下跳棋。可信测试者来自创意产业、新闻业、教育、游戏和工程领域，应用方向包括影视预可视化、单张 2D 档案照片转为可探索场景、游戏原型设计和企业场景生成。 发布节奏上，Genie 4 目前是研究预览版，先向受信任测试者开放，随后面向 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，并提供候补名单。安全方面，模型沿用既有安全政策，发布前完成内部安全评估，所有生成视频和音频都嵌入 SynthID 数字水印。 官方同时说明了局限：短时会话中环境可保持连贯，但视觉细节和物体恒存性可能随时间漂移，尤其在长时间运行、多次复杂提示词编辑或在场景中导航时；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研究中的问题。官方提出的后续方向是混合世界模型，把代码和语言模型的逻辑推理与像素级模拟的感官表征结合。