Genie 4 是什么：能边玩边改、自带声音的实时世界模型

它是什么

Genie 4 是谷歌 DeepMind 在 2026 年 10 月 27 日发布的世界模型，属于 Genie 系列的第四代。一句话讲：你给它一段文字描述或一张图，它实时生成一个可以走进去的世界，你用键盘鼠标控制移动和镜头，还能随时打字改天气、加人、加物件，画面和声音都由模型当场生成。

它和我们平时用的聊天模型、画图模型不是一类东西。大语言模型输出文字，视频模型输出一段做好的片子，世界模型输出的是一个会随着你的操作往下演的场景。上一代 Genie 3 在 2025 年 8 月亮相，官方当时把它定位成能实时交互的世界模型。Genie 4 沿着这条路往前走，官方说它是自家迄今真实感和交互性都最高的一版，并且是 Genie 系列里头一回原生生成音频的实时世界模型。

DeepMind 做这个方向的理由写得很直白：他们认为理解和模拟世界是通往 AGI 的重要一步，模拟环境既能给机器人和智能体当训练场，也能做成新的互动体验。

关键规格：官方没给的比给的多

先说没公布的：参数规模、架构细节、上下文长度、知识截止时间，官方公告和模型页都没写。开放权重这件事官方也没提，从发布方式看是闭源研究预览，库里登记的 API 名称同样是空的。想拿它做选型对比的人，目前没有可填的规格表。

公布了的是设计思路。官方说 Genie 4 原生多模态，音乐、环境声和互动对话与画面同时生成，建立在 Gemini 家族的能力之上：Gemini Omni 负责把模拟锚定在真实世界的外观和行为上，其他 Gemini 模型负责推理，帮助世界保持连贯。这意味着它不是一个单打独斗的生成器，而是和 Gemini 一起干活，一边画世界，一边有个“导演”盯着剧情别跑偏。

输入方面，官方页面写的是文字和图像提示，加上键盘鼠标做导航和镜头控制。互动时长官方坦白说只支持几分钟的连续交互，不是一坐几个小时。分辨率和帧率这次没有公布数字，Genie 3 当年给的是 720p、24 帧每秒，别直接套到 Genie 4 头上。另外官方说所有生成的视频和音频都会带 SynthID 水印，用来标识是 AI 生成的。

能力和成绩：没有跑分，只有演示

先把话说在前头：这次官方没有发布任何基准测试成绩，也没有第三方评测可引用。能看的是官方归纳的四项能力，外加一批演示视频，官方注明这些录像是真实时交互的记录，片段做过缩短。

第一项是实时塑造世界：用自然语言改天气、挪镜头、加人加物，Gemini 会根据当前场景调整你的描述，在你不操作的间隙还会盯着场景，让世界自己合理地往下发展。第二项是物理和人物动作，官方提到空气动力学、碰撞这类物理场景，并说最大的进步在人：角色动作更自然，对环境有反应，还能被实时引导。第三项是声音，每个世界带着自己场景的环境音，更难的是人声，角色可以和你对话，也会对你的操作和世界里的事件做出反应。

第四项最有意思：让 Gemini 3.8 Flash 在循环里当引导智能体。官方说，Genie 4 生成世界的同时，Gemini 持续观察画面，把目标拆成步骤，检查每一步有没有完成，用户插手时它会即时调整计划。机器人方向的演示是 Gemini 4 Argon 把任务拆成步骤，以文字字幕的形式喂给 Genie 4，演示里模拟的是 Apptronik 的 Apollo 人形机器人下跳棋。这些都是官方自选的展示，能说明方向，说明不了稳定性。

怎么用、多少钱

现在普通用户还用不上。官方说 Genie 4 以研究预览的形式向受信任的测试者开放，正在收集反馈，之后会先给 Google AI Ultra 订阅用户（通过 Project Genie），以及 Gemini API 和 Google AI Studio 的早期访问合作伙伴，具体时间只写了“即将”。想排队的可以去官方博客里的候补名单登记。

价格没有公布，API 的模型名称、计费单位也没有。国内读者能不能用，要看正式放出时的地区开放范围，官方目前没有写。想用的话，眼下能做的只有关注官方后续公告。

和谁比

跟上一代比，差别有据可查。Genie 3 是文字生成世界，能在 720p、24 帧每秒下实时导航，一致性维持几分钟，交互靠导航加“可提示的世界事件”。Genie 4 在这个底子上加了原生音频与对话，把人物动作作为重点升级，并接入 Gemini 做规划和纠偏。没变的地方也要说：互动时长依然是几分钟，真实地点的还原依然不够准，画面里的文字依然常常写不清。

跟同家的视频模型比，路数不同。官方 Veo 页面的定位是生成带音频的电影感视频，你拿到的是一段成片；Genie 4 给你的是一个可以边走边改的场景。拿画质去硬比两者没什么意义，AI主线的看法是：这类模型的价值在于能被打断、被改写，而不是单帧有多好看。至于和别家的世界模型比，目前没有公开的同条件对比数据，不好下结论。

适合谁

做内容的人最可能先受益。官方提到受信任的测试者把它当成预演和构思的“草稿模式”：导演可以走进一个实时场景，反复调镜头、光线、台词和动作，当作跑多个镜头版本。游戏开发者的用法类似，在写引擎代码之前用文字描述把一个能逛的原型先跑出来，试风格和玩法。摄影记者那边的尝试是把一张历史照片扩展成可走动的场景。

做技术选型的人，现阶段只能当关注项，没有 API、价格和规格，谈不上接入。机器人和智能体研究的人可以留意官方这条线，官方说企业合作伙伴正在评估它做“从零到一”的场景生成，也在找差距。

用之前要有预期，官方自己列了几个坑：场景越久、改动越多、走得越远，细节和物体的存在感越容易漂移；多个独立角色之间的复杂互动还在攻关；实时音频的准确度、物理交互的精细程度同样没到位。官方的原话是早期、实验性的模型，这个定位别当客套话。