Genie 4 的世界由三个模型分工，而分辨率、帧率、时长一个数都没给
Genie 4 把外观、判断和画面分给了三个模型，发布材料里却第一次没给分辨率、帧率、时长任何一个数；本篇把两代官方页面逐栏对照，指出真正翻倍的只是产品会话长度，模型那句「几分钟」十四个月没有动。
Genie 这一代真正加的是声音和人的动作；「记得住多久」这一条，和上一代几乎一字不差。
10 月 27 日 16:13 UTC，北京时间 10 月 28 日 00:13，Google DeepMind 发布 Genie 4。1
一句话说清它是什么：给一段文字或一张图，实时生成一个能走进去、能改、这一代还能出声的世界。
比发布早两分多钟，@GoogleDeepMind 先发了预告帖。2
近八小时后，Demis Hassabis 转发并写下一句：「Simulations within simulations, makes you wonder just how deep the rabbit hole goes...」3
又过两分钟，他补了一条：已经开始向受信测试者开放，更广的访问「coming soon」。4
这份发布材料最反常的地方，是一个规格数字都没有。
一年多前 Genie 3 的发布页，第二段就把话说满了：实时导航、每秒 24 帧、720p、一致性维持几分钟。5
同行的发布页都在给数。
Runway 的 GWM Worlds 2：连续 720p、24 fps、48000 Hz 音频。7
Decart 的 Oasis 3：22 fps、512×768×3、延迟 200 毫秒以内。8
Genie 这一线自己上次也给过数。今年 1 月 Project Genie 上线时，公告写得很具体：单段生成限制 60 秒。9
所以得先把这件事记下来：Genie 这一线，第一次一个数都不给。
01 三个模型，各管一段
官方对架构的交代，核心是两句。
第一句：「Genie 4 模型吸收并建立在 Gemini 家族的能力之上：Gemini Omni 把模拟锚定在真实世界的外观与行为上，其他 Gemini 模型提供维持模拟连贯与连续所需的复杂推理。」1
第二句点了名：「为了实现实时，Gemini 3.8 Flash 在回路里充当引导代理：Genie 4 实时生成世界的同时，Gemini 持续观察画面，把目标拆成一系列步骤，并检查进来的帧，追踪进度、确认每一步是否成功。」1
Gemini Omni 是什么，官方页面写得很直白：把 Gemini 的推理接到生成上，从任何输入生成内容，先做视频。10
Gemini 3.8 Flash 是 9 月 2 日发布的模型，离这次发布不到两个月。11
把这两句放在一起看，跑起来的不止 Genie 4 一个：Omni 管「像不像真的」，3.8 Flash 管「这一步对不对」，Genie 管「画面和声音」。
有一处官方没说清：Omni 是在生成世界的那一刻起作用，还是每帧都在起作用。
「锚定」这个词可以指开局定一张参考帧，也可以指全程约束外观。发布材料没有交代。
能确定的是那个引导代理：它盯着进来的帧看。
这个安排在简报会上被说得更直接。据 TechCrunch 记录，研究负责人 Tejas Kulkarni 的原话是：「未来我们会越来越多地看到混合世界模型，Gemini 写代码和文字，Genie 实时接收，在不同抽象层次上模拟现实。」12
官方博客的「未来工作」一节写的是同一件事：把代码和语言模型的逻辑推理，与像素级模拟的感官表征合起来。1
这条路的出发点是像素，恰好是 Yann LeCun 反对的那个出发点。
2024 年 2 月，他写过：「从提示生成看起来逼真的视频，并不表示系统理解了物理世界。生成与世界模型的因果预测，是两件很不同的事。」13
而 Genie 4 这篇发布稿排在最前面的署名者，是他的学生。
Raia Hadsell 是 Google DeepMind 的研究副总裁，2014 年加入，现在共同领导 Frontier AI 团队。
她在 NYU 的博士由 LeCun 指导，论文做的是越野机器人的长距离视觉。14
DeepMind 的答案是各让一步：像素交给 Genie，判断交给 Gemini。
这一代承认了一件事：像素里的物理，需要另一个模型来把关。
02 两代页面，写了什么、没写什么
上一代把三项指标写进了正文：24 帧、720p、几分钟。5
这一代一个数没写。
不给数，但给了说法：官方称这一代最明显的一处进步是模拟人——人物动得自然、对环境有反应、能实时被操控。1
模型页写的时长，和产品给的时长，从来不是一个数。
Genie 3 的发布页写的是：「几分钟的连续交互，而不是数小时之久。」5
Genie 4 的模型页写的是：「几分钟的连续交互，而不是长时间会话。」6
两句只差一个词。
所以真正翻倍的是产品那一栏，从 60 秒到两分钟。Ars Technica 报道里的说法是「两分钟」，并加了一句：跑过两分钟，世界就忘了自己开头是什么样。17
产品那一栏翻了一倍；模型那一栏，那一句「几分钟」十四个月没有动。
03 官方自己列出的六条
模型页的局限清单列了六条。6
视觉细节与物体恒存会随时间漂移；多智能体与共享环境的交互仍是研究难题；无法精确还原真实地点；可读文字通常只在输入描述里出现过才生成；只能撑几分钟；实时音频准确度仍在改进。6
这份清单和上一代几乎重合。
Genie 3 列了五条：行动空间受限、多智能体交互、真实地点、文字渲染、交互时长。5
Genie 4 拿掉了「行动空间受限」，补上「漂移」与「音频准确度」，变成六条。6
其余四条，措辞几乎没变。
六条里，有两条与官方的用例直接相撞。
撞上的第一处是新闻场景。测试者案例写着：摄影记者在试，把一张二维档案照片，几秒钟内变成那个环境的「有根据的模拟」。1
而模型页写着：Genie 4 目前无法精确模拟真实地点。6
这一条不是新加的。上一代的原话是「无法以完全精确的地理精度模拟真实地点」。5
一条历史新闻的现场，恰恰是最不能「大致像」的那种画面。
这两条正是机器人训练环境最需要的部分。
还有一处官方写得很实：所有由 Genie 4 生成的视频与音频都会带 SynthID。1
SynthID 覆盖图像、音频、文本、视频四类；音频那一段原先限定在 Lyria 与 Notebook LM 的播客功能。18
视频从 2024 年 5 月起开始加水印，方法是逐帧标记。19
实时生成的音轨也进了水印范围，这段世界是不是生成的，因此多了一条可查的线索。
这条值得记，因为它对付的正是档案照片那一处相撞：对一个要把档案照片变成现场的系统来说，能被认出是生成的，比更像更要紧。
04 四个用例里，机器人那条还在实验台上
受信测试者的四类场景，官方列得很具体。1
影视与创意：把它当「草稿模式」，导演走进一个场景，实时换机位、换光、换台词，连跑几条。
新闻与历史场景：一张档案照片变成可走进去的环境。
游戏：在写第一行引擎代码之前，先用自然语言试视觉风格与交互机制。
企业仿真：零到一的场景生成，顺便找出模型的缺口。
四类里，影视和游戏要「快」，新闻要「准」，企业仿真要的是能替掉真机的那部分——那是另一套标准。
DeepMind 工程师 Diego Rivas 在简报会上说的也是这个：实时最值钱的地方，是创意工作里保持心流的那一段，构思、画分镜。12
机器人那条线还在实验阶段，例子里规划交给了另一个模型：Gemini 4 Argon 把任务拆成多步计划，作为文字提示喂给正在渲染的 Genie 4。
模拟的对象是 Apptronik 的 Apollo 人形机器人下跳棋。1
模型页把这个前景写作「一个无限的机器人仿真游乐场」。6
官方用的词是 playground：可以随便试，不必对结果负责。它没有被写成训练管线，也没有被写成验证工具。
上一代的产品体验，有人替我们试过。
The Verge 的记者在 Project Genie 上线当天拿到权限，60 秒里就遇到路面变草地、涂痕消失。
他写：「我开始不相信 Genie 记得住我亲眼看过的东西。」15
连贯这一条，正是这一代说要改的。1
同一篇里，操作延迟比他有时在云游戏里遇到的还差。15
对一个卖「实时构思」的东西，延迟比画面更致命。
延迟和音频准确度，这次都没有给指标，也没人能验证改到了什么程度。
官方没有给任何基准分数。1
第三方也测不了。
交互式世界模型的学术基准 WorldMark 在论文里明写：排除 Genie 3 这类闭源商业系统，因为它们只允许网页手动操作，无法被可复现地驱动。20
The Verge 的记者这次也没上手：「我没能自己试 Genie 4。」16
关于这一代，现在唯一能核的是它做不到什么；能做到什么，只有演示。
05 同行不在做同一件事，而且正在被买走
世界模型这条线上，各家的活不一样，给的数也不一样。
Runway 卖可玩、带音频、参数写清的实时世界，9 月 3 日上线。7
Odyssey 5 月 17 日就自称「世界上第一个多模态世界模型」，实时同步生成音频与视频。
Decart 的 Oasis 3 直接对准物理 AI 与自动驾驶，宣称可以无界长时闭环交互，从第一天起就卖 API。8
NVIDIA 走开放权重：Cosmos 3 分 64B、16B、4B 三档，明确服务物理 AI。23
Google 的位置很清楚：可探索、能对话、被 Gemini 盯着，但现在只给受信测试者。1
更值得看的是另一条线：这个行业正在被买走——一笔已签，一笔已交割，一笔在谈。
9 月 28 日，World Labs 宣布签署最终协议加入 AMD，理由是「更靠近硬件」。李飞飞将出任 AMD 执行副总裁兼首席科学家，直接向苏姿丰汇报。26
据 TechCrunch，这笔交易的价格是 82 亿美元。27
10 月 22 日，Rivian 收购英国公司 Third Dimension，条款未披露，15 人团队并入自驾 AI 团队。28
Rivian 的自驾负责人 James Philbin 说，他们要的是「把真实场景变成可仿真的场景」，因为验证阶段先得搞清楚 sim-to-real 的差距。28
同一批报道里还提到，据《华尔街日报》，亚马逊正在洽谈收购 Decart，价格约 70 亿美元。12
三类买家：芯片公司、车企、云与电商。
世界模型这条线上，决定去向的正在从模型变成买家。
06 十四个月，从预览走到预览
2025 年 8 月 5 日，Genie 3 以研究预览发布，只给一小批学者与创作者。5
2026 年 1 月 29 日，Project Genie 向美国 18 岁以上的 Google AI Ultra 订阅者开放。
它由 Genie 3、Nano Banana Pro 与 Gemini 组成。9
同一份公告里还有一句更值得记：Genie 3 发布时说过的「用提示词改变世界」，这个原型里还没有。9
也就是说，今年 1 月用户拿到的那个版本，比 2025 年 8 月演示的那个版本少一样东西。
2026 年 10 月 27 日，Genie 4 回到起点：研究预览、受信测试者、waitlist，「未来几周」向 Ultra 订阅者和 API 早鸟开放。1
两次都从外部测试者开始。
上一代从预览走到订阅者手里，隔了近半年；这一代刚走到第一步。
官方的战略说法也没变。
Genie 3 的页面写，世界模型是通往 AGI 的关键垫脚石，因为它能给智能体提供无限的训练环境。5
Genie 4 的页面写，理解和模拟世界是构建 AGI 的关键一环。1
两句话是同一个意思。
变的是实现方式：从「一个模型学会世界」，变成「几个模型拼出一个世界」。
对 Genie 这一线来说，答案不在演示里，在模型页那句没改过的「几分钟」里。
References
- 1
- 2
- 3
- 4
- 5
- 6Google DeepMind：Genie 4 模型页（含局限清单）
deepmind.google
- 7
- 8
- 9Google：Project Genie 介绍，2026 年 1 月 29 日
blog.google
- 10
- 11
- 12
- 13
- 14Raia Hadsell 个人主页
raiahadsell.com
- 15
- 16
- 17
- 18Google DeepMind：SynthID 概览页
deepmind.google
- 19
- 20WorldMark 论文 v2 全文（2026 年 8 月 5 日修订）
arxiv.org
- 21Odyssey：Introducing Starchild-1，2026 年 5 月 17 日
odyssey.systems
- 22Odyssey：Meet Odyssey-3，2026 年 10 月 8 日
odyssey.systems
- 23
- 24
- 25
- 26
- 27
- 28
This story was produced automatically by a channel. One sentence is all it takes for Neodrop to keep producing for you.