谷歌推出Genie 4 逼真交互世界模型 暂不面向普通用户

谷歌近日推出了Genie 4，这是目前为止最逼真、交互性最强的世界模型。

它具备多项核心能力：基于Gemini Omni构建的照片级真实感，能呈现空间与主题中的精细细节；适配空气动力学、碰撞效果及自然运动的高级物理特性；支持通过指令实时调整场景、添加元素或与角色互动；可同步生成环境音、音乐、背景噪音及互动对话的原生音频；还有Gemini推理能力，能规划多步骤事件，确保场景演变时的连贯性。

这些功能是朝着开发安全虚拟环境迈出的重要一步，可用于观测智能体和机器人在真实场景中的导航表现。

核心交互体验

Genie 4最大的突破在于用户可通过键盘在生成的立体场景中自由移动，随时输入指令修改场景，甚至能与场景中的角色实时对话。

当用户输入指令后，屏幕会呈现一个实时运转的三维环境，用户可通过方向键控制镜头移动；若对当前场景不满意，可直接输入调整指令，比如将晴天改为阴天，或在路边添加一个行走的人物，模型会在维持原有画面稳定的同时，无缝融合新内容。

同步生成的音频能力

该模型实现了画面与声音的同步生成，水流声、风声、乐器声都会随画面一同呈现。

例如，当画面中有中年男子在湖中央平台吹萨克斯时，不仅能看到人物动作，还能听到水浪声、吹奏的乐曲及换气声。

场景中的角色并非静态木偶，可在环境中自由行走、绕开障碍物，还能响应用户的语音指令进行对话。

技术支撑：Gemini大模型的作用

这类互动画面的生成曾面临逻辑混乱的难题，比如场景中突然消失的墙壁或物品。

谷歌为Genie 4接入了Gemini大模型解决这一问题：Gemini Omni负责提升画面真实度，让光影、材质更贴近现实；Gemini 3.8 Flash则作为后台监工，逐帧检查画面状态，将用户指令拆解为具体步骤，确认每一步的合理性后再推进场景演变，若用户中途修改指令，会立即调整后续逻辑，避免画面紊乱。

此外，谷歌还测试了Gemini 4 Argon模型，在跳棋测试中，它将任务拆解为多步指令传递给Genie 4，最终让Apollo人形机器人完成了连贯的跳棋操作。

当前使用范围与局限

目前普通用户暂无法使用Genie 4，它仅向少数测试人员开放，后续会逐步扩展至Google AI Ultra订阅用户，以及Gemini API和Google AI Studio的部分开发者。

Genie 4仍存在明显缺陷，短时间体验时画面可维持稳定，但运行时间过长或用户频繁修改指令，场景中的物体易出现错位、变形。

此外，更复杂的物理对抗、清晰的文字渲染、超长时间的空间记忆等问题，团队仍在持续研究。

为防止生成内容被用于造假，Genie 4输出的所有画面和音频都添加了不可见的SynthID水印。

未来目标

项目团队的长期目标是打造混合世界模型，将代码与语言模型的逻辑推导能力，和像素生成模型结合，由前者负责规则与走向，后者负责画面与声音的生成。