一条好的世界模型提示词描述四件事：地点、运动、声音，以及一种可能的交互。 大多数弱提示词只描述了第一项。这正是一条能产出可观看场景的提示词，与一条能产出可操控世界的提示词之间的最大差别。
世界提示词为什么不同于图像提示词
图像提示词描述一张静止画面；视频提示词描述一个镜头；而世界提示词必须描述一个在描述失效之后仍然持续存在的东西。
这意味着模型需要知道：
- 环境由什么构成，以便保持一致
- 它应如何随时间变化，以便有东西可预测
- 它听起来应该是什么样，因为音频与场景一同生成
- 这个空间里什么是可行的，因为智能体会围绕这些可供性做规划
省略运动，模型就没有可模拟的内容；省略音频，它会自己编一个默认值；省略交互，你得到的是背景板而不是世界。
四个要素
地点
材质表面、光照、天气、时段。这会成为你之后操控指令时反复引用的锚点。
雨后的京都石板小巷，灯笼光在积水中晕开，傍晚，细雨。
运动
镜头行为与节奏。镜头语言在这里很好用，因为语义稳定。
镜头以步行速度向前漂移，轻微晃动，经过紧闭的店铺门面。
声音
写明环境音，加一个具体细节。短清单比穷举更有效。
音频：远处自行车铃、屋檐滴水、城市低鸣。
交互
这个空间里观众能做什么。这是最常被跳过的一项，也是让世界显得真实的关键。
观众可以走到左侧的雨棚下，或继续走向路口。
可直接复制的模板
[地点与表面]，[光照与天气]，镜头以[节奏][运动方式]。
音频：[环境音]加上[一个具体声音]。
观众在这里可以[交互动作]。填写后的例子：
破晓时分云海之上的高地山脊，湿润的草与裸露的岩石，
镜头沿山脊向右缓慢横摇，节奏稳定。
音频：持续的风声与远处鹰鸣，加上靴子踩在碎石上的声音。
观众可以沿山脊行走，或走向崖边。大约六十个字。足以定义一个世界，又短到你之后还能做精准编辑。
最消耗一致性的六个错误
每一条都对应模型已记录的特性，而不是提示词玄学。
1. 写的是静物，不是世界
没有运动就没有可模拟的内容，也没有可操控的对象。永远加一个镜头动作和一处变化。
2. 编辑堆叠过多
Google 报告多次编辑后会出现漂移。宁可少而大地改，不要连续做小修正。如果你已经在做第八次微调，第一版提示词大概就没写清楚。
3. 过早编辑
起步阶段的介入会贯穿整个会话。如果已经知道要改什么，一开始就写进去，而不是之后操控过去。
4. 指望文字渲染
除非显式提示，招牌与标签都不可靠。不要设计含义依赖可读文字的场景。
5. 假定地理准确
真实地点无法被精确复现。如果精确布局很重要——某栋真实建筑、某条具体街道——不要依赖它。用一张参考图，并接受近似。
6. 信任复杂物理
普通交互比罕见交互稳。在围绕某个具体交互搭建流程之前，先测一遍。
操控纪律
世界开始运行之后，怎么介入和怎么写提示同样重要。
一次只改一件事。 同时做多个编辑，你无法判断是哪一个引发了问题。
尽量晚改。 早期编辑有更长的累积时间。
优先做加法。 加天气或加角色，通常比移动现有几何更稳。
够好就停。 每次介入都是一点一致性成本。如果场景已经可用，就存下来，不要打磨到漂移。
从图像或视频开始呢？
DeepMind 描述了把二维档案照片变成沉浸式模拟。以静帧为起点，是控制构图最有效的方式，因为布局已经确定——你要模型延展并动起来，而不是凭空发明。
如果你有参考帧，就用它。基于提示词的布局控制始终是近似的；基于图像的控制紧得多。
用编辑器练手
本站的提示词编辑器会自动追加你选择的场景类型、画面比例与时长，让你专注在描述本身。它还包含十二条提示词库，覆盖自然、城市、室内与推想类环境。
它本身不生成任何东西——生成交给合作工具完成。这个分工是刻意的：本站的职责是帮你写出更好的提示词，而不是假装运行一个它并没有的模型。
延伸阅读：
- 如何使用 Genie 4——分步工作流
- Genie 4 核心能力——为什么声音与交互线索重要
- Genie 4 局限——这些规则背后的约束
能力描述的一手来源：Google DeepMind 的 Genie 4 公告。
