跳到主要內容
2026-10-28 日報
模型發布

Google DeepMind 發布互動世界模型 Genie 4:支援即時逐幀運算與聲音對話,結合 Gemini 規劃任務

The Decoder單一來源
核實資料不足

目前依單一來源整理,這是來源數量描述,不是對消息真假的判定。

本次未取得足夠原文證據

Google DeepMind 發表新一代互動式世界模型 Genie 4。據報導,該模型延續 2025 年 8 月展示的 Genie 3,不再輸出預先渲染的影片,而是即時逐幀計算畫面,使用者可透過鍵盤移動視角並以文字提示改變環境。這也是 DeepMind 首款直接生成背景音效與角色對話的即時世界模型,角機能彼此交談並對環境與輸入產生即時反應。 在架構設計上,Genie 4 結合了 Gemini Omni 視訊模型的能力以提升視覺真實度,並導入其他 Gemini 模型維持模擬的一致性。例如由 Gemini 3.8 Flash 持續觀察場景、拆解多步驟目標,並依據新生成的畫面動態調整下一步指令。DeepMind 亦測試透過 Gemini 4 Argon 結合 Gemini Robotics 機器人研究,在無需實體設備的情況下,僅憑文字指示讓 Genie 4 模擬 Apptronik 人形機器人 Apollo 玩西洋跳棋。 DeepMind 指出 Genie 4 仍屬早期實驗模型,在較長時段的模擬或多次複雜提示切換下,視覺細節會產生偏移且物體持久性不足,複雜物理互動、高精確度聲音與清晰文字仍處於研究階段。該模型產生的影音內容均嵌入 SynthID 隱形浮水印,目前僅限特定受邀人員測試,後續預計透過 Project Genie 網頁應用開放給 Google AI Ultra 訂閱者,並向取得早期權限的合作夥伴開放 Google AI Studio 與 Gemini API 存取。
讀原始報導

背景

Google DeepMind 開發的 Gemini 為多模態大型語言模型(LLM)家族,是接替 LaMDA 與 PaLM 2 的後繼架構,旗下涵蓋 Gemini Flash 等分支模型。在此技術體系外,DeepMind 亦持續透過 Genie 系列探索世界模擬與互動應用的潛力。本次發表的 Genie 4 則進一步結合 Gemini 的規劃能力,推動即時環境生成技術。

來源