据MarkTechPost报道，Google DeepMind于10月27日发布仅在Google托管环境运行的世界模型Genie 4研究预览，面向可信测试者开放。该模型可从文本和图像提示实时生成可探索世界，并原生生成环境声、音乐和角色对话，Gemini模型则进入模拟循环充当规划器。
Genie 4不是视频片段生成器，而是逐帧模拟交互环境，每一帧会响应用户当时输入。用户可用键盘控制移动，并用自然语言提示改变天气、移动镜头，或在会话中加入人物和物体。DeepMind称，该模型原生多模态，音频与画面一起生成，是其首个原生生成音频的实时世界模型。它接替2025年8月发布的Genie 3；后者为720p、24帧每秒，视觉记忆可回溯1分钟。
架构上，Genie 4使用Gemini家族两部分能力：Gemini Omni锚定每个世界的观感和行为，其他Gemini模型负责维持模拟连贯性的推理。运行时循环包括：理解用户提示并适配当前场景，由Gemini 3.8 Flash把目标拆成步骤，检查收到的画面帧以确认步骤完成，并在世界变化或用户干预时修改计划。两次用户输入之间，Gemini也会推动场景继续发展。DeepMind团队称这是通向混合世界模型的早期一步，即语言模型处理结构与叙事，Genie渲染像素和声音。
DeepMind未发布Genie 4基准表，公开规格有限：参数、分辨率、帧率均未披露。据TechCrunch简报，其场景一致性最长约2分钟，为Genie 3的两倍；但会话仅持续几分钟，复杂提示反复编辑后物体可能漂移。DeepMind列出的开放问题包括：较长会话、复杂提示编辑或导航时视觉细节与物体恒常性漂移，交互仅限几分钟。
在一个研究演示中，Gemini 4 Argon把跳棋任务拆成步骤，Genie 4将每一步作为文本说明接收，并模拟Apptronik的Apollo人形机器人下棋。DeepMind还列举空气动力学、碰撞和人物运动等模拟能力，称人物运动是最大跃升，角色会对周围环境作出反应。该模型目前仅在Google托管环境运行，入口包括Project Genie网页应用和Gemini API早期访问。DeepMind称，Genie 4预计很快向Google AI Ultra订阅者开放Project Genie，随后是Gemini API和Google AI Studio的早期访问伙伴。所有Genie 4视频和音频将带有SynthID水印；预览前已进行内部安全评估。测试者来自创意、新闻、教育、游戏和工程等领域。