一句话看懂：Google DeepMind 于 2026 年 10 月发布 Genie 4 研究预览版，首次在实时世界模型中原生生成音频与对话，并把 Gemini 作为规划器嵌入模拟循环，面向可信测试者开放。
事件核心：发生了什么
Genie 4 是 DeepMind 继 2025 年 8 月 Genie 3 之后的新一代世界模型。它按帧模拟可交互环境，根据文本和图像提示实时生成场景，并用键盘操作、自然语言指令改变天气、镜头、人物或物体。与上一代最大的区别有两点：一是音频（环境声、音乐、角色对话）与画面一同原生生成；二是 Gemini 3.8 Flash 等模型进入运行循环，负责把用户目标拆成步骤、检查帧结果并在场景变化时修正计划。目前它只通过 Google 托管的 Project Genie 网页应用和 Gemini API 早期访问提供，暂无公开基准数据。
为什么重要
过去世界模型更像“可控视频生成”，Genie 4 则把大模型当作场景内的调度者，DeepMind 内部称之为通向“混合世界模型”的一步：语言模型管结构和叙事，Genie 负责渲染像素与声音。这条路线对智能体和机器人训练环境尤其关键——一个能自我推进、能验证步骤是否完成的可交互世界，比静态视频更接近训练场。同时，原生音频也让世界模型的产品形态从“看”扩展到“听与说”。
对用户/开发者/创作者的影响
创作者可用文本多次实时“拍摄”预演镜头，影视、新闻、教育、游戏是目前披露的测试领域；开发者则更应关注 API 形态和 Gemini 规划循环，它决定了模拟是否能被程序化驱动。机器人团队可用它做任务分解后的仿真演示，例如素材中 Gemini 4 Argon 拆分跳棋步骤、由 Genie 4 模拟 Apollo 人形机器人对弈。但需注意：单次会话仅持续几分钟，反复修改提示后物体可能漂移，目前公开信息显示场景一致性约 2 分钟。所有视频和音频会带 SynthID 水印。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是 Project Genie 和 Gemini API 的开放节奏与定价，是否从可信测试扩展到 AI Ultra 订阅用户；二是会话时长和物体一致性能否改善，这是它区别于视频生成工具的关键指标；三是原生音频与 Gemini 规划循环是否会成为竞品（如 Runway、Skywork 等世界模型）跟进的标准配置。
