Google DeepMind 于周二以研究预览形式发布最新的世界模型 Genie 4。这款模型能生成迄今最逼真、最具交互性的虚拟世界，用户可以在模拟运行过程中输入提示词即时改变场景，同时模型还能生成与虚拟环境匹配的即时音频，包括音乐、环境噪声和互动对话。
与一年多前发布预览版的上一代 Genie 3 相比，Genie 4 的进步显而易见：画面更逼真、新增音频，并支持自由编辑，包括即时改变天气、调整镜头角度，或往场景里添加新的人物和物体。它能将一个连贯场景维持长达 2 分钟，是前代上限的两倍，物理表现更准确，角色动作也更接近真人。
Genie 4 在虚拟世界生成方面的重大进步
Gemini 与 Genie 4 的整合更加深入。在整套流程中，Gemini 担任“导演”，负责规划步骤、逐帧检查画面，而 Genie 则负责生成视觉内容。在一项与 Gemini Robotics 绑定的研究实验中，Gemini 4 Argon 模型将任务拆解成步骤，交由 Genie 4 即时模拟，展示出一条可行的路径：机器人在真实世界行动之前，先在模拟环境中完成验证。
Google 研究总监 Tejas Kulkarni 在简报会上表示：“未来会越来越多地看到这类混合世界模型——Gemini 负责编写代码和文本，Genie 即时接收并在不同抽象层级上模拟现实。”与世界模型同行类似，Genie 4 对标的商用场景包括游戏、互动学习和机器人。外媒举了一个互动学习的设想例子：将一幅历史场景画作输入系统，然后直接与画中人物对话，以了解画面背后的事件。
而获得首批体验资格的“可信测试者”则指出了另一种潜在用途——影视前期原型制作。 Google DeepMind 工程师 Diego Rivas 解释称：“即时性最有价值的地方，在于那些需要让创作心流保持连贯的环节，例如构思阶段、故事板阶段——一切需要快速出概念的时刻。”他同时介绍， Google 的高清影片生成模型 Veo 在影视创作者中日渐流行，未来用户或许可以借助能结合图像、音频和文本生成影片的多模态大模型 Gemini Omni，将这些原型转化为创意素材，不过这类能力距离落地仍有相当距离。