Google DeepMind 发布世界模型 Genie 4：基于 Gemini Omni，首次原生生成音频与实时对话，先向受信测试者开放研究预览

核心背景与行业痛点

「世界模型」要实时生成一个可以走进去、能互动的环境，同时保证物理合理、画面前后一致，这是训练机器人和 Agent 的关键基础设施，也是 Google DeepMind 认为通往 AGI 的重要一步。10 月 27 日，Google DeepMind 在 X 和官方博客发布 Genie 4，称其为「迄今最逼真、交互性最强的世界模型」。它目前只作为研究预览开放给受信测试者，尚未面向公众或开发者全面开放。

架构亮点与底层机制

据官方博客，Genie 4 建立在 Gemini 家族能力之上：Gemini Omni 负责把模拟锚定在真实世界的外观和行为上，其他 Gemini 模型负责维持场景连贯性的推理。它原生多模态，是 Genie 系列首个原生生成音频的实时世界模型，环境声、音乐和角色对话与画面同步生成，角色还能实时回应用户。用户用键盘控制移动和镜头，用文字提示实时改天气、加人物或物体。复杂事件由 Gemini 3.8 Flash 作为「回路中的引导 Agent」：持续观察画面、把目标拆成步骤、逐帧核对每一步是否完成，并在用户干预时调整计划。官方还演示了 Gemini 4 Argon 把任务拆解成文字指令，驱动 Genie 4 模拟 Apptronik Apollo 人形机器人下跳棋。

权威 Benchmark 与实测跑分对比

官方未公布任何量化跑分、参数规模、分辨率或帧率，只提供演示视频。官方坦承的局限包括：长时间运行或多次复杂编辑后物体会漂移，只支持几分钟的连续交互，文字渲染、真实地点还原和实时音频准确度仍待改进。

开发者实战落地与开箱指南

官方口径：Genie 4 「即将」向 Google AI Ultra 订阅用户（Project Genie）以及 Gemini API、Google AI Studio 的早期接入伙伴开放，现在可以在 Project Genie 加入候补名单。所有生成的视频和音频都带 SynthID 水印。对开发者来说，现阶段适合关注的方向是游戏原型、影视预演和机器人/Agent 仿真训练环境；正式 API 的价格和配额官方尚未公布。