Skip to content

模型卡|Google DeepMind Genie 4

2026年11月3日1 分鐘
TL;DRGenie 4:2026-10-27 發布,即時互動世界模型(非文字 LLM),首次原生生成環境音、音樂與可互動對話,人物動作與反應是本代最大進步;Gemini 3.8 Flash 在迴圈中擔任「導演」,把任務拆成多步驟並即時核對進度。目前僅開放信任測試者,Project Genie/Gemini API 早期夥伴尚未開放,無公開定價、無 API model ID、無官方 benchmark 分數;物件恆常性與文字清晰度仍是已知弱點。

查詞與收藏

正在載入查詞工具…

🌏 English version

模型資訊

項目值
Model ID未公開(官方未發佈 API 代號)
廠商Google DeepMind
參數量未公開
Context Window不適用(即時互動世界模型,非文字生成模型,官方未揭露底層架構細節)
Input 定價 (USD/1M tokens)未公開(無 API、無公開計價)
Output 定價 (USD/1M tokens)未公開(無 API、無公開計價)
開源否(research preview,無開放權重)
發布日2026-10-27
官方公告Google DeepMind Blog、Google Blog
家族Genie(Genie 1 → 2 → 3 → 4)

能力亮點

  • 系列首次原生生成音效:環境音、音樂與可互動對話與畫面同步生成,不需另外的語音/音效模型
  • 人物是本代最大進步:角色能自然移動、對環境做出反應,並可在場景進行中被即時引導
  • Gemini 3.8 Flash 在迴圈中擔任「導演」:把使用者目標拆成多步驟,持續檢視畫面確認每一步是否完成,場景變化或使用者介入時即時調整計畫
  • 與 Gemini 4 Argon、Gemini Robotics 整合做機器人情境生成,官方示範為 Apptronik Apollo 人形機器人下西洋棋的任務拆解

Gemini 3.8 Flash 在生成迴圈裡扮演的「導演」角色,具體是一個拆步驟、核對畫面、必要時重新規劃的迴圈:

Gemini-in-the-loop:世界模型的步驟拆解與核對迴圈
Gemini-in-the-loop:世界模型的步驟拆解與核對迴圈Gemini 3.8 Flash 把使用者目標拆成多步驟並驅動 Genie 4 渲染,每一步都靠檢視畫面核對是否達成,沒達成或場景改變就調整計畫重新渲染,全部步驟完成才算任務完成 Gemini 3.8 Flash 拆解多步驟計畫 Genie 4 即時渲染 畫面+音訊同步生成 步驟達成? 核對畫面進度 調整計畫 場景變化/使用者介入 還有下一步驟? 多步驟任務 任務完成 回到下一個提示 否 重新渲染 是 有下一步驟 無(完成)
  1. Gemini 3.8 Flash 拆解步驟,驅動 Genie 4 渲染畫面與音訊
  2. Gemini 持續檢視畫面,核對這一步是否達成
  3. 沒達成或場景改變、使用者介入,就調整計畫、回到 Genie 4 重新渲染
  4. 達成就檢查還有沒有下一步驟
  5. 還有步驟就回到拆解;所有步驟都完成才算任務完成

依 Google DeepMind 與 DataCamp 對 Genie 4「Multi-step events planned by Gemini」機制的描述簡化繪製,實際迴圈細節未公開。

Benchmark 表現

⚠️ 官方公告未附任何 benchmark 分數或與其他世界模型的量化比較,截至 2026-10-28 也未見第三方獨立評測或分數重現(來源:DataCamp 對 Genie 4 的整理)。以下改列可驗證的能力/限制差異,不是量化基準:

項目Genie 3(2025-08 發布)Genie 4(2026-10-27 發布)
音訊無原生音訊首次原生生成環境音、音樂、互動對話
畫面規格24 fps、720p,一致性可維持數分鐘官方未公布 fps/解析度數字
多步驟推理無模型內建推理迴圈Gemini 3.8 Flash 在迴圈中拆解步驟並驗證進度
開放對象限量學術與創作者測試信任測試者優先,Project Genie/Gemini API 夥伴「即將開放」
已知弱點動作空間有限、多 agent 互動、真實地點精確度、文字清晰度、互動時長限於數分鐘長時間互動後物件恆常性與視覺細節仍會漂移、複雜物理互動、即時音訊準確度、文字清晰度、空間精確度

與前代/競品比較

跟 Genie 3 比,Genie 4 最大的質變是「人會動、會說話」——Genie 3 的示範主要是環境與生態系(水、光影、動植物),人物互動不是訴求重點;Genie 4 官方直接點名「最戲劇性的進步是人」,角色可以自然反應並被即時引導對話,這是前三代都沒做到的。另一個差異是推理層:Genie 4 把 Gemini 3.8 Flash 接進生成迴圈,讓世界模型第一次有「導演」在旁邊核對任務是否照步驟完成,而不是純粹靠像素生成碰運氣維持連貫性。

目前沒有其他實驗室發布同等的「即時互動+原生音訊」世界模型可供直接比較,官方公告與第三方報導(DataCamp、dev.to)都明確指出 Genie 4 尚無公開 benchmark、定價或 API model ID,OpenRouter 與 models.dev 截至 2026-10-28 也都未收錄。換句話說,Genie 4 目前仍是研究預覽而非可直接評估優劣的產品,任何「比前代強多少」的結論都只能停在官方釋出的 demo 等級,而官方自己也提醒 demo 是精選結果、應視為能力上限而非平均表現。

對 Agent 開發的意義

Genie 4 把「世界模型」從單純的場景生成,往「帶推理迴圈的訓練環境」推進了一步——Gemini 3.8 Flash 在迴圈中拆解任務、驗證進度的做法,等於是把 agent 常用的 plan-and-verify 模式搬進了世界模型本身,不用額外寫 orchestrator 去檢查模擬進度。

  • 如果你在做機器人或具身 agent 訓練:Genie 4+Gemini Robotics 的組合值得追——它示範了怎麼把人形機器人任務(如下棋)拆成多步驟場景,在真的上硬體前先用想像環境跑過一輪,但官方沒有量化「模擬裡學到的行為」轉移到實體機器人的成功率,這塊還不能直接拿來做決策依據
  • 如果你在做 agent 評測或沙盒環境:Genie 系列一直被定位成「給 agent 練習的安全環境」(Genie 3 曾接 SIMA agent 測試),Genie 4 的多步驟一致性如果穩定下來,可能可以取代部分手刻模擬環境,但目前僅信任測試者可用,一般開發者只能排 Project Genie/Gemini API 候補
  • 不適合:任何需要長時間穩定運行的場景(物件恆常性會隨時間漂移)、需要精確還原真實地點的應用、或需要清晰文字渲染的場景——這些官方都明講是現在進行式的研究問題,不是「快修好了」的小 bug

今日收穫

之前預設「世界模型」跟「對話模型」是兩條平行的技術線,各自補各自的能力缺口。Genie 4 把 Gemini 3.8 Flash 直接接進生成迴圈當「導演」,說明這兩條線已經開始合流:世界模型負責畫面與音訊的即時生成,語言模型負責在背後规劃敘事與驗證進度,分工比想像中更早出現,也呼應官方自己講的「hybrid world model」下一步方向。

參考資料