Google DeepMind hat Genie 4 vorgestellt, ein interaktives Weltmodell in Echtzeit. Während die Simulation läuft, können Nutzer per natürlicher Sprache das Wetter ändern, die Kamera verschieben sowie Personen und Objekte in die Szene einfügen; das Bild läuft einfach weiter, ohne dass neu generiert werden muss. Laut DeepMind ist es das erste Echtzeit-Weltmodell, das Audio nativ erzeugt: Umgebungsgeräusche, Musik und Dialoge der Figuren entstehen synchron zum Bild, und die Figuren können in Echtzeit auf Eingaben der Nutzer oder auf Ereignisse in der Szene reagieren.
"Genie 4 is our first real-time world model to generate audio natively."
(Genie 4 ist unser erstes Echtzeit-Weltmodell, das Audio nativ erzeugt.)
Was es kann und wer es nutzen darf
Nach der offiziellen Beschreibung konzentrieren sich die Verbesserungen von Genie 4 auf drei Bereiche. Erstens die Physik: Szenen mit Aerodynamik und Kollisionen werden unterstützt. Zweitens die Figuren: Ihre Bewegungen wirken natürlicher, sie reagieren auf die Umgebung und lassen sich von Nutzern in Echtzeit steuern. Drittens mehrstufige Ereignisse: Hier fungiert Gemini 3.8 Flash als Leitagent, der das Ziel des Nutzers in Schritte zerlegt, Bild für Bild prüft, ob ein Schritt abgeschlossen ist, und den Plan anpasst, wenn der Nutzer eingreift oder sich die Szene ändert. DeepMind erwähnt außerdem, dass derzeit die Kombination von Gemini 4 Argon mit Genie 4 für Robotik-Simulationen erprobt wird.
Die Freigabe erfolgt in drei Stufen: Aktuell gibt es eine Forschungsvorschau für vertrauenswürdige Tester; als Nächstes folgen Abonnenten von Google AI Ultra (der Zugang heißt Project Genie) sowie frühe Partner der Gemini API und von Google AI Studio, auf der Seite ist ein Formular für die Warteliste eingebunden. Erzeugte Videos und Audiodateien erhalten ein SynthID-Wasserzeichen.
Die Schwächen, die DeepMind selbst auflistet
Die Ankündigung enthält keinerlei quantitative Angaben: Auflösung, Bildrate, spielbare Dauer pro Sitzung und Eingabelatenz fehlen, ebenso ein Zahlenvergleich mit der Vorgängergeneration; es gibt nur qualitative Formulierungen wie „mehr Realismus“.
Die Einschränkungen benennt DeepMind dagegen deutlich: Wird eine Sitzung länger, werden komplexe Prompts über mehrere Runden angepasst oder bewegt man sich weit durch die Szene, können Bilddetails und Objektpermanenz "still shift or drift over time" (sich weiterhin mit der Zeit verschieben oder driften). Komplexe physikalische Interaktionen, die Genauigkeit des Echtzeit-Audios, lesbarer Text, räumliche Präzision und langfristige Konsistenz zählen zu den Problemen, an denen weiter geforscht wird.
Wie chinesische Leser das einordnen
Die ersten Zugangswege zu Genie 4 sind das AI-Ultra-Abonnement und die frühe Zusammenarbeit über die Gemini API. Beide sind in Festlandchina nicht nutzbar, sodass Entwickler dort vorerst nur Demovideos ansehen können.
Dabei ist der chinesische Strang keineswegs leer. Matrix-Game 4.0, Mitte Oktober von Kunlun Tech als Open Source veröffentlicht, zielt auf 60 Bilder pro Sekunde auf einer einzelnen RTX 5090, die Gewichte lassen sich zum lokalen Betrieb herunterladen; auch gibt es Teams, die Weltmodelle auf heimischen NPUs mit rund 50 Bildern pro Sekunde laufen lassen. Sie veröffentlichen vergleichbare Kennzahlen wie die Bildrate, während Genie 4 diesmal gerade keine nennt.
Der Abstand dürfte eher an zwei Stellen liegen: Erstens bei nativem Audio und Figurendialogen, denn die meisten chinesischen Open-Source-Lösungen liefern bislang nur Bild; zweitens beim Einsatz von Gemini als Planungsagent, der mehrstufige Aufgaben Bild für Bild abnimmt. Dafür braucht es ein ausreichend starkes multimodales Modell an der Seite, was Teams, die sich allein auf Videogenerierung konzentrieren, nicht leicht nachholen können. Erst wenn Genie 4 die API-Phase erreicht und Zahlen zu Latenz und Dauer vorliegen, gibt es eine Tabelle, in der beide Seiten nebeneinander stehen können.
Quellen: Offizieller Blog von Google DeepMind, CocoLoop; Zugangsumfang, das für den Leitagenten verwendete Modell und bekannte Einschränkungen richten sich nach den offiziellen Angaben von DeepMind, die Bildraten chinesischer Weltmodelle nach den öffentlichen Daten der jeweiligen Projekte.