Google DeepMind 直接说明了 Genie 4 的局限，而这些局限比能力描述更有用。 能力告诉你该试什么，局限告诉你什么会浪费时间。
本文逐条拆解已记录的局限，解释它在机制上意味着什么，并说明如何提前规划。同时也会讨论「令人信服的模拟」本身带来的风险。
1. 漂移
Google 的说法： 长时会话或多次编辑后，视觉细节与物体恒存性会退化。
机制含义： 每一次重渲染都是基于当前状态做的预测，小的预测误差会累积。每次编辑都会产生一个新的待预测状态，所以编辑会消耗误差预算。
如何应对：
- 宁可少而大地改，不要连续做许多小改。
- 已知要做的改动写进初始提示词，而不是之后操控过去。
- 把会话长度当作成本，而不是目标。需要的东西尽早捕获。
2. 复杂物理
Google 的说法： 尽管建模了空气动力学、碰撞与自然角色动作，复杂物理上仍有短板。
机制含义： 常见交互有充足的训练信号，泛化良好。罕见交互——非常规质量分布、复杂接触链、非刚性材质——信号稀少，模型只能即兴发挥。
如何应对：
- 在围绕某个具体交互搭建流程之前，先测那个交互。
- 不要用生成输出去验证必须精确的力学。
- 假定普通交互可信，罕见交互需要验证。
3. 音频准确性
Google 的说法： 音频原生生成，但准确性是已记录的弱项。
机制含义： 声音是按语义契合场景生成的，而不是按声学计算。它可以很有氛围，同时是错的——一条听起来像河的河，但不像那条河在那个距离上的声音。
如何应对：
- 把环境音当作定调手段，而不是拟音。
- 凡是声音承载信息的场合——机械状态、操作反馈——单独验证。
- 明确写明声音；未提及的音频会走默认。
4. 可读文字
Google 的说法： 画面文字主要只在提示词中明确包含时才可靠出现。
机制含义： 文字是高频、低冗余的视觉特征，小错误非常显眼，几乎不容近似。
如何应对：
- 不要设计含义依赖可读招牌的场景。
- 如果文字重要，就写进提示词，并接受不完美。
- 精度要求高时，在后期添加文字。
5. 空间精度
Google 的说法： 真实地点无法以完美的地理精度复现。
机制含义： 模型生成的是一个与描述自洽的「合理地点」，而不是测绘级重建。目标是相似，不是可测量。
如何应对：
- 用它做氛围与布局直觉，绝不用来做测量。
- 若真实地点必须可辨，提供参考影像并接受近似。
- 不要用其输出做建筑、法律或安全决策。
6. 长期一致性
Google 的说法： 会话并非为长时间连续探索设计，长时程一致性无保证。
机制含义： 与漂移相同的累积问题，只是更严重。没有外部世界状态可以重新锚定，只有模型自己的预测。
如何应对：
- 围绕具体问题规划会话，而不是漫无目的地游走。
- 需要长时间探索时，用一次新的生成来重新锚定。
- 在会话早期就捕获证据，而不是等到最后。
清单之外的风险
令人信服的输出本身就是风险。生成的场景可以看起来扎实，同时在物理上是错的；而人类评审员在判断看起来合理的图像时，并不擅长发现错误——这是人类评估的一般特性，不是对这个模型的批评。
三个实际推论：
不要让真实感替代有效性。 一个看起来对的场景，不是「模拟行为正确」的证据。
来源验证很重要。 每份 Genie 4 输出都带 SynthID 隐形水印，设计目标是经受重新编码。在重要的场合，用来源验证而不是肉眼判断。
把发现与决策分开。 在世界模型里探索是发现选项的好方法，但它不是给选项背书的方法。一旦某个决策开始有后果——预算、安全论证、对外声明——就切换到有保证的工具。
这对使用方式意味着什么
这些局限并不会让 Genie 4 变得无趣，它们定义的是它恰当的适用范围。
它是面向尚不存在的空间的决策支持工具。对判断一个镜头成不成立的导演、判断关卡流不流畅的设计师、判断某个场景值不值得搭建的研究者来说，这些局限可以接受，因为判断错误的代价只是一次修改决策。
它是记录系统的糟糕替代品。凡是需要可复现、可测量、可认证的场合，请使用为此设计的工具。
要避免的失败模式，是把一段令人印象深刻的渲染当成答案。Genie 4 产出的是可能性，而哪一种可能性重要，仍然由你判断。
延伸阅读
- 什么是 Genie 4——定义与架构
- Genie 4 对比 Genie 3——哪些局限被继承
- Genie 4 应用场景——这些局限可以接受的场合
- 提示词指南——如何通过提示设计减少漂移
所有局限表述的来源：Google DeepMind 的 Genie 4 公告。
