Google DeepMind 發表即時互動世界模型 Genie 4。使用者可以在模擬進行中，用自然語言改變天氣、移動鏡頭，並在場景裡加入人物和物件，畫面會接著往下演，不必重新生成。DeepMind 稱這是第一個原生生成音訊的即時世界模型，環境音、配樂與角色對話會與畫面同步產生，角色也能針對使用者的輸入或場景中發生的事即時回話。
"Genie 4 is our first real-time world model to generate audio natively."（Genie 4 是我們首個原生生成音訊的即時世界模型。）
能做什麼，誰能用
依官方介紹，Genie 4 的升級集中在三個面向。一是物理，支援空氣動力學、碰撞這類場景；二是人物，動作更自然，會對環境做出反應，也能由使用者即時操控；三是多步驟事件，由 Gemini 3.8 Flash 擔任引導代理，把使用者的目標拆成步驟，逐幀檢查每一步是否完成，使用者中途介入或場景改變時再調整計畫。DeepMind 還提到，正在試驗把 Gemini 4 Argon 與 Genie 4 串接起來，用於機器人相關的模擬。
開放節奏分三步：目前是面向受信任測試者的研究預覽；下一步開放給 Google AI Ultra 訂閱用戶（入口稱為 Project Genie），以及 Gemini API、Google AI Studio 的早期合作夥伴，頁面上掛有候補名單表單。生成的影片與音訊都會加上 SynthID 浮水印。
官方自己列出的短板
這次公告沒有任何量化指標，解析度、幀率、單次可玩時長、操作延遲都沒寫，也沒有與上一代做數字比較，只用了「寫實感增強」這類定性描述。
DeepMind 倒是把限制寫得很清楚：會話變長、複雜提示詞多改幾輪，或在場景裡走得很遠之後，視覺細節與物件恆常性「still shift or drift over time」（仍會隨時間偏移漂移）。複雜物理互動、即時音訊的準確度、可讀文字的渲染、空間精度與長期一致性，都被列為仍在研究的問題。
中國大陸讀者怎麼看
Genie 4 首批開放的管道是 AI Ultra 訂閱與 Gemini API 早期合作，這兩條在中國大陸都用不了，當地開發者短期內只能看示範影片。
中國大陸這條線並不空。崑崙萬維在 10 月中旬開源的 Matrix-Game 4.0，主打單張 RTX 5090 跑到每秒 60 幀，權重可以下載到本機；也有團隊用國產 NPU 把世界模型跑到 50 幀上下。它們公開了幀率這類可比較的指標，Genie 4 這次反而沒有。
差距更可能出在兩處：一是原生音訊與角色對話，中國大陸的開源方案目前多半只輸出畫面；二是用 Gemini 當規劃代理、逐幀驗收多步驟任務，這需要一個夠強的多模態模型在旁盯著，只做影片生成的團隊不容易補齊。等 Genie 4 進入 API 階段、公布延遲與時長數字，兩邊才會有一張能放在一起比較的表。
參考來源：Google DeepMind 官方部落格、CocoLoop；開放範圍、引導代理所用模型與已知限制以 DeepMind 官方說明為準，中國大陸世界模型的幀率參照各專案公開資料。