谷歌正式发布新一代AI世界模型Genie 4。作为谷歌首款支持原生音频生成的实时世界模型，Genie 4在物理模拟真实性与场景一致性上实现了显著突破，目前正处于研究预览阶段。
从预测令牌到模拟物理规律
与大语言模型（LLM）预测下一个词不同，世界模型旨在构建环境的内部模拟，依据物理规律、空间关系和时间推移创造连贯输出。Genie 4建立在Gemini Omni基础之上，确保模拟结果符合现实世界的视觉外观与行为逻辑。
相比去年发布的Genie 3，Genie 4将场景一致性保持时长延长至两分钟，提升了一倍。用户可通过自然语言提示实时塑造世界，包括改变天气、调整摄像机视角或引入新角色与物体，模型能确保所有元素在动态变化中保持一致。
原生音频生成与多模态协同
Genie 4的另一大亮点是原生音频生成能力。无需用户提供背景噪音细节，模型即可自动生成环境音效，并能根据场景变化生成自适应的人类对话，角色间可相互交谈并对突发事件做出实时反应。
在执行复杂指令时，Genie 4与Gemini 3.8 Flash协同工作。Gemini充当引导代理，将宏观目标分解为具体步骤，并持续观察生成过程以确保按计划执行。若用户介入进行未计划的更改，Gemini也会实时调整后续步骤。
更逼真的物理反馈与访问限制
在物理表现上，Genie 4能够模拟空气动力学、碰撞等复杂现象，生成动作自然且对环境做出有机反应的人物。谷歌强调，该模型仍属早期实验性质，长时间会话可能出现视觉不一致，所有生成内容均带有SynthID隐形水印。
目前，Genie 4仅向部分受信任的测试人员开放。未来几周内，Google AI Ultra订阅用户、Gemini API及Google AI Studio的早期访问合作伙伴将陆续获得使用权。