10 月 27 日深夜，谷歌 deepmind 正式推出全新一代世界模型 genie 4，宣称其为“目前最真实、交互能力最强”的版本。传统文生视频模型的局限在于：生成结果是一段固定时间轴的“录像带”，一旦输出完成，镜头角度、人物动作等均无法再调整。而 genie 4 则构建了一个可实时响应用户操作的动态物理世界，单次连续交互时长从上一代 genie 3 的 1 分钟提升至 2 分钟，实现翻倍增长。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
更突出“生命力”的是其空间一致性与持久记忆能力——推开一扇门后，门后自动生成逻辑自洽的房间；踢倒一把椅子后转身离开，再返回时椅子仍保持倒伏原位，不会出现视角切换即背景突变的违和感。在运行过程中，用户还可直接输入指令修改天气、切换摄像机位置等。
Gemini 担任“导演”，首次实现音画同步生成
使用AIsa生成图像与视频。仅需一个API密钥即可调用Gemini 3 Pro Image（图像）和Qwen Wan 2.6（视频）。
Genie 4 是首个原生支持音频与视频同步生成的世界模型：例如角色骑马穿越浅滩，马蹄激起水花的声音会随距离远近自然衰减；靠近篝火时，木材燃烧的噼啪声随之增强。当用户走到虚拟角色（NPC）面前，既可语音也可文字发起对话，对方将依据当前场景即时反馈。
其技术底层依赖双模型协同机制：Gemini Omni 负责锁定角色、道具等视觉元素的外观稳定性；运行中由 Gemini 3.8 Flash 充当“幕后导演”，持续监控画面、解析任务目标，并逐帧校验内容；而 Gemini 4 Argon 则被部署于虚拟环境中，通过仿真训练支撑 Apollo 人形机器人完成下棋、家务等复杂操作。
不过短板依然显著。谷歌官方坦言，长时间运行后细节易发生偏移，画面中的文字仍频繁出现乱码；物理交互精度、空间连贯性及长期记忆稳定性仍是待解难题，其真实性尚未验证能否真正替代专业游戏引擎或影视制作工具。现阶段 Genie 4 仅面向经筛选的可信测试者开放，公众用户需订阅每月约 100 美元的 Google AI Ultra 会员服务并排队等待权限。
