先看证据
从生成一段画面到维持一个可互动的世界
Google DeepMind于2026年10月27日发布Genie 4研究预览，面向受邀测试者。它是一种实时交互世界模型，用户可以从文字或图像提示创建环境，用键盘移动或调整镜头，也能在模拟过程中用自然语言改变天气、添加物件或角色。Genie 4逐帧生成画面，并同步生成环境声、音乐和角色对话。
这让它要解决的问题不同于普通视频生成。视频模型通常交付一段预先生成的片段，Genie 4则需要在用户输入到来后继续生成，让场景对行动和修改作出响应。对技术团队来说，这种能力更接近一个可交互的模拟空间，而不只是会动的背景。不过，能响应输入并不等于遵循了可验证的物理规律，也不自动保证场景状态始终一致。
关键转变是把规划者放进模拟循环
Genie 4的架构变化，在于Gemini不只负责理解开场提示，而是参与模拟持续运行的过程。DeepMind描述的分工是，Gemini Omni为世界提供外观和行为方面的基础，Gemini 3.8 Flash则把用户目标拆成步骤，检查新画面是否显示步骤完成，并在场景变化或用户介入后调整计划。Genie 4负责生成相应的视觉和声音反馈。
这形成一个“理解目标、规划步骤、呈现场景、检查结果、再作调整”的循环。与一次提示对应一次生成相比，循环式结构更贴近智能体处理多步任务的方式：行动会带来新的观察，观察又可能改变后续计划。它提供了一个适合研究的接口，但现有描述没有证明规划器总能正确理解画面，也没有给出复杂任务上的可靠性数据。
机器人演示说明接口，不代表真机已会执行
DeepMind展示的机器人研究演示，把下棋任务拆成文字步骤，再逐步交给Genie 4，让它模拟Apptronik的Apollo人形机器人下棋。这里使用的任务规划模型是Gemini 4 Argon。它和通用模拟循环描述中的Gemini 3.8 Flash不是同一个模型，也不能把两处能力合并成一个未经区分的系统说明。
演示能说明的是，语言步骤可以被送入生成环境，并以场景画面呈现任务进展。材料没有说Apollo在现实中完成了下棋，因此不能把模拟执行当作机器人能力验证。对工程负责人而言，这类演示适合用来观察任务描述、环境反馈和规划之间如何衔接。它不能回答虚拟场景中的成功能否迁移到真机，也不能替代真实硬件上的测试。
现有数字能划出边界，不能替代基准
公开数字需要分清前代规格和新模型表现。Google公布的Genie 3为720p、每秒24帧，视觉记忆约可回溯一分钟。这些是Genie 3的数据，并非Genie 4已经确认的分辨率、速度或记忆长度。对于Genie 4，官方模型页的说法是可以连续互动“几分钟”。
更精确的“两分钟”场景一致性和“是前代两倍”，来自TechCrunch对发布信息的报道，不是官方公布的基准表。Genie 4的参数量、分辨率、帧率、延迟和基准成绩均未公开，现有材料也不足以量化它的物理模拟精度。因而，不能仅凭前代数字或媒体转述，判断它是否适合长时任务、实时控制或精确碰撞模拟。
原型环境的价值与训练依据的门槛
现阶段，Genie 4由Google托管，访问面向受邀测试者，面向更广泛用户的开放仍待安排。团队可以把它用于早期原型探索，观察智能体如何接收目标、经历环境变化、读取生成画面并更新计划，也可以用于场景构思或预演。这些用途利用的是规划模型与生成环境之间的接口，不要求先把它当成精确的物理引擎。
如果要进一步把它用于训练或验证，就需要更多证据，包括任务成功率、跨场景一致性、物理行为评估，以及模拟结果迁移到真机的测试。官方指出物体在反复编辑后可能漂移，真实地点也不保证精确还原，复杂多主体交互和实时音频准确度仍有待改进。依赖持久状态、精确位置或碰撞结果的工作尤其需要谨慎。当前合理的判断是把Genie 4列入交互闭环原型的试验清单，而不是把演示效果当成机器人现实能力的证明。