官方头图：Genie 4实时世界模拟画面
改天气、加角色、让画里的人开口接话——这些事，如今都能在一个边运行边生成的世界里完成。
2026年10月27日，谷歌DeepMind正式推出新一代世界模型——Genie 4，以研究预览版身份亮相。官方定性给得很满：可实时交互的世界模拟，真实感被拉到前所未有的水平；模型原生多模态，音乐、环境音和交互式对话都能与世界同步生成。
这不是纸面参数。随发布放出的实时演示里，有一段第一视角热气球之旅：镜头贴着南极冰盖前推，气球群在风里摇晃，全程可操控、可改写。在官方的叙事里，理解并模拟世界是通往AGI路上关键的一环，Genie 4就是这一判断的落地。
1. 边跑边改：自然语言实时改天气、挪镜头、添人物；
2. 物理在线：从空气动力学到碰撞都能算，动作更像真人；
3. 世界有声：原生音频，实时世界模型第一次自己出声；
4. Gemini在环：大模型当导演，拆步骤、盯帧、验进度。
Genie 4生成的可交互世界截图
这一代最直观的变化，是模拟进行中也能被随时改写。官方把这组能力称作mid-simulation steering：不用暂停或重跑，敲一行字，天气就变、镜头就移，新人物新物体随时进场。指令也不是硬贴在画面上：Gemini先把你的话翻译成场景接得住的上下文再执行；两次输入的间隙，它还持续观察画面，把世界往连贯的方向轻推。
操作方式也直白：键盘管走位和镜头，文字管世界里发生什么。官方演示中有一座整体由彩色玻璃构成的世界，一路穿行而不崩风格——「改完还是同一个世界」的连贯感，正是实时编辑最难的门槛。
官方演示视频中的实时模拟画面
物理较真与人物自然度，是官方自认跃升最大的两处。基于对世界运行规律的建模，Genie 4能处理从空气动力学到碰撞的一整类场景：一段枫树种子落地的微距演示里，旋转、减速、触地每一步都经得起推敲；另一段逆光下的西瓜被砸出慢镜头水花，飞溅轨迹逐帧可查。
人物一侧被官方称作最戏剧性的进步：角色动作不再僵硬，会对环境做出有机反应，还能被实时交互牵着走。1995年港式爱情片质感的演示里，摩托车手黎明过桥，光影和情绪都贴着电影的逻辑走。
骑龙竞速演示：声音随飞行实时变化
声音是这一代从零到一的部分：Genie 4成了DeepMind头一个原生出声的实时世界模型。每个世界出厂自带环境音，风吹树叶、浪打堤岸都不必后期补录；更难的语音也被啃下一块——角色能当场跟你搭上话，还会对着世界里正发生的事即时调整回应。
最能「听」出差距的演示是骑龙竞速：第一视角以约140公里的时速掠过高空，振翅闷响、高空风噪、远处火山轰鸣三层叠加，声音跟着飞行状态实时变化。
官方演示视频另一画面：实时生成的世界
Genie 4负责逐帧画出世界，Gemini家族负责让它演得下去。分工分三层：Gemini Omni负责锚定模拟世界的外观与行为，让它贴住真实；其余Gemini模型供给维持连贯所需的复杂推理；落到执行层，Gemini 3.8 Flash扮演「在环引导代理」：世界生成的同时持续观察画面、把目标拆成步骤序列、逐帧核对进度、验证每步是否达成，世界生变或用户插手就立即改计划。换来的是更稳的因果表现、程序化行为与多步推理能力。
机器人方向走得更远：Gemini 4 Argon把指令任务拆解成步骤，以字幕形式边渲染边注入，再叠加Gemini Robotics联测；演示里这套组合让Apptronik旗下的人形机器人Apollo在模拟中下了一盘跳棋。官方也给这条路起了名字：混合世界模型。思路是让Gemini在后台搭结构与叙事骨架，Genie逐像素渲染外观、声音与响应。谷歌研究总监的预期与此一致：写代码、出文本的与实时模拟现实的组合，会越来越多见。
Genie 4发布主题官方头图
|
|
|
|
|---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
上一代Genie 3是一年多前的研究预览；表中时长为媒体报道口径，官方产品页只说连续交互能撑几分钟、长会话另说。用媒体的概括讲，这代最大的结构性变化是：Gemini更像导演，负责拆步骤、盯进度；Genie专心把画面生成出来。赛道同样在提速：Runway两个月前推出GWM Worlds 2——可玩、动态响应输入、自带音频；整合同步发生——World Labs进入AMD收购流程，Amazon正在洽购Decart，Rivian收下Third Dimension，把模拟能力转进内部测自动驾驶。
获取节奏分三级：先交给受信任测试者收集反馈，再推向Google AI Ultra的订阅用户（挂在Project Genie名下），然后是Gemini API与Google AI Studio一侧的早期合作方；等待名单已挂出，媒体称推开就在「未来几周」。
测试者摸出了四类用法：电影人把它当草稿模式，走进场景实时跑多条take，机位、灯光与台词随说随改；新闻摄影师让一张2D老照片几秒变成可走进的历史场景，或预演山洪、野火如何展开；游戏开发者在写下引擎代码前，先秒级做出可探索原型验证视觉与交互；企业用户则评估它当「从零到一」的场景生成器。商业方向官方点了个名单：游戏、机器人，加上交互式学习——畅想版本是走进一幅历史画作，和画中人聊聊画中事。工程师Diego Rivas则把实时性的价值落在创作心流上：构思、分镜这类需要快速出想法的阶段最受益；至于用多模态大模型把原型转成创作资产，他坦承距离还相当远。
官方宣传视觉：照片级实时世界
局限也写在明面上：官方坦承这仍是早期研究，短会话内环境连贯，但画面细节和物体恒存性会随运行时间漂移——跑得越久、编辑越多、导航越远，问题越明显；复杂物理交互的保真度、实时出声的准确性、画面内文字的清晰度、空间精度与长期一致性，都还在待研究清单上。两分钟不是终点，而是当前一致性约束下的现实刻度。
安全侧是三道闸：沿用与其他模型相同的安全护栏和政策，发布预览前过内部严格评估，先小范围再扩大；所有生成内容都打上SynthID隐形水印，画面与声音两种模态都盖到。
三个问题留给下一版回答：物体漂移何时撑得起长会话？可玩原型到可用资产的距离还有多远？实时世界模拟与自家的片段式视频生成路线（Veo），最终是分工还是互相渗透？
这场发布把信号说得很清楚：世界模型的比拼，正从把一帧画得更真，转向让一个世界持续地跑下去。
