10 月 27 日，Google DeepMind 发布了新一代世界模型 Genie 4 的研究预览版。按官方博客的说明，它能在文本或图像提示下实时逐帧生成可探索的虚拟世界，不需要预先搭建场景，也不需要为交互编写代码。官方列出的能力里，用自然语言实时塑造世界、模拟空气动力学与碰撞等物理现象、让人物自然移动并回应环境，属于迭代升级；原生音频则是首例——官方称，此前没有实时世界模型做到这一点。
音频为什么是分水岭
Genie 4 把声音分成两类来生成。一类是环境声与音乐，风声、海浪这类随场景变化的音景；另一类是人物对话，角色会对用户的输入或世界里发生的事件实时作出回应。
差别体现在交互方式上。当模拟世界只能被“看”时，用户能做的是移动镜头、点击物体；有了能即时应答的对话，语言就成了第二种操控手段。对游戏、教育这类以对话为核心的产品来说，这是从演示走向可用的重要一步——前提是音频经得起长时间运行，而官方恰恰承认，实时音频的准确性仍在攻关。
Gemini 被塞进了模拟回路
这代产品的第二个看点是与 Gemini 的协作机制。官方介绍中，Gemini Omni 负责把模拟锚定在真实世界的外观与行为上；Gemini 3.8 Flash 充当“循环中的引导智能体”，持续观察场景、把目标拆解成步骤、逐帧检查进展、确认每一步是否完成，并随世界变化或用户干预调整计划。落到操作上，用户可以用自然语言实时改变天气、移动镜头、往场景里添加人物或物体。实测者 indigo 用“Gemini Omni 驱动”来概括这套机制。
官方还给出了两个延伸方向。一是机器人实验：尝试用 Gemini 4 Argon 配合 Genie 4，把任务指令拆解为步骤，以字幕形式实时插入渲染画面，官方示例是一个模拟的 Apptronik 人形机器人在下跳棋。二是混合世界模型：Gemini 负责结构与叙事时间线规划，Genie 负责像素层面的物理渲染。这套分工传递的信息很明确——Google 想让世界模型承担的角色，除了“可逛的场景”，还包括智能体和机器人的训练环境。
官方把短板写在了明面上
与预览一同公布的还有一份局限清单：视觉细节和物体的恒存性会随时间漂移，在模拟运行较久、经过多次复杂编辑或在场景内导航之后尤其明显。仍在攻关的方向还包括：
- 复杂物理交互
- 实时音频准确性
- 清晰文本渲染
- 空间准确性
- 长期一致性
官方同时明确，这仍是一个早期、实验性的模型。
外界的早期反馈集中在质感上。Ethan Mollick 两次发布实测，展示实时交互生成与游戏环境体验；Sundar Pichai 称其为迄今最逼真、交互性最强的世界模型。Oran Ge 的评价有代表性：
今年 Google 的模型整体表现平淡，但 Genie 4 的质感“非常有希望”。
这些好评针对的是观感，官方清单针对的是稳定性，两件事可以同时成立。
从预览到公开，开放节奏还没定数
开放节奏分三步走：研究预览先面向创意、新闻、教育、游戏、工程等领域的可信测试者；接下来是 Project Genie，覆盖 Google AI Ultra 订阅者，以及 Gemini API 和 Google AI Studio 的早期访问合作伙伴；其他用户可以先加入等待名单。至于何时铺开，各家报道口径并不一致，有说“即将”，也有说“未来几周”。Logan Kilpatrick 表示 Genie 4 将首次登陆 API，但没有给出时间。另外，所有生成的视频和音频都嵌入了 SynthID 水印，发布前经过内部安全评估。
从这一代产品看，世界模型的竞争焦点正在转移：分辨率之外，能不能被自然语言指挥、能不能开口回应、能不能撑住长时间不崩，开始决定一款模型的用途边界。Genie 4 把声音和规划补进了实时模拟，也把长时一致性的欠账摆上了台面。谁先补上这块短板，谁的世界模型就能先离开演示视频，进入被真实使用的产品里。
