Google DeepMind 发布 Genie 4 世界模型并引入 Gemini 实时推理闭环

Google DeepMind 正式发布 Genie 4，这是一款原生多模态的世界模型，能够同时生成高保真视觉、环境音效及交互式对话。该模型并非独立运行，而是深度整合了 Gemini 家族的能力：Gemini Omni 负责锚定真实世界的物理外观与行为逻辑，而 Gemini 3.8 Flash 则作为循环内的引导智能体（guiding agent），在模拟生成的每一帧中持续观察场景、拆解目标步骤并验证执行进度，从而确保复杂事件的因果连贯性。

Genie 4 的核心突破在于实现了基于文本提示词的实时场景操控与多步推理。用户可通过自然语言修改天气、移动相机或引入新对象，系统能即时调整画面以匹配上下文；在机器人仿真场景中，Gemini 4 Argon 可将任务分解为具体步骤并以文本字幕形式嵌入渲染流，指导 Genie 4 完成如下棋等复杂交互。目前该模型处于研究预览阶段，已部署至受信任测试者群体，并计划向 Google AI Ultra 订阅用户及 Gemini API 早期合作伙伴开放。

事实层面，Genie 4 具备原生音频生成能力，且所有输出均包含 SynthID 数字水印以标识 AI 生成内容。推断层面，这种架构标志着世界模型正从单纯的像素级预测转向结合结构化逻辑的混合模式，旨在解决长时程一致性与空间准确性问题。猜测层面，虽然官方提及未来将探索代码与语言模型的逻辑优势，但当前版本仍明确存在物体持久性漂移和长会话细节丢失的技术局限，其商业化路径高度依赖 Gemini 模型的推理成本与实时响应速度。