Genie 4 对比 Genie 3 — 到底变了什么，什么没变

Genie 3 证明了生成的世界可以交互；Genie 4 加上了声音、一个能在多次介入后维持场景连贯的推理智能体，以及研究预览之外的真实访问路径。 这就是对一年进展最诚实的总结。

其余都是细节——重要，但仍是细节。

真正重要的三项变化

1. 声音成为世界的一部分

Genie 3 产出画面，Genie 4 产出「地方」：环境音、音调性材料，以及会说话的角色。音频作为世界状态的一部分被生成，而不是后期叠加。

这一项变化把模型从视觉原型推向「可以开拍的场景」，也改变了提示词该写什么——写明声音现在是有效指令，而不是修辞点缀。

2. 推理智能体进入循环

Gemini 3.8 Flash 观察场景、把你的目标拆成步骤、检查画面确认每一步是否达成，并在你介入时重新规划。

这既是「不必重开」的机制，也解释了一种特殊的失败模式：当 Genie 4 在编辑后出错时，错误往往表现为对「目标是否达成」的误判，而不是画面崩坏。如果你在评估输出，这个区别能告诉你该往哪儿看。

3. 终于有了实际使用路径

Genie 3 停留在面向学者与创作者的小范围研究预览。Genie 4 带来三条明确路径：

• 研究预览期间的受信任测试者
• 通过 Project Genie 的 Google AI Ultra 订阅者
• 经 Gemini API 与 Google AI Studio 的早期访问合作伙伴

访问仍需资格，但它已经是一个产品入口，这是不同性质的可用性。

完整对比

什么没有变

这是大多数对比会跳过的部分，却是规划工作流时最重要的。

漂移依然存在。 Google 仍报告长时会话或多次编辑后细节与物体恒存性流失。更好的模型不等于已解决的模型。

物理精度有上限。 复杂交互仍是明确记录的弱项——与 Genie 3 属同一类问题，不是已解决。

画面文字不可靠。 只有显式提示时可读文字才比较稳定。

它不是地理引擎。 真实地点无法以完美空间精度复现。

会话不是马拉松。 两代模型都不是为连续数小时探索设计的。

多智能体仍是未解问题。 Genie 3 称其为开放研究难题，Genie 4 也没有宣称已解决。

规格表的问题

许多已发表的对比在这里出错。Genie 3 有公开数据——720p、24fps、数分钟一致性、约一分钟视觉记忆。Genie 4 没有帧率与分辨率的公开对应数字。

用 Genie 3 的数字、或听起来合理的猜测去填这些单元格，那不是对比，而是编造。如果你需要知道 Genie 4 的分辨率，今天正确的答案是「Google 未公布」。

所以 Genie 4 是一次大跃迁吗？

对研究者与工作室而言： 是。音频加上智能体循环，把视觉玩具变成了可测试的环境。「介入之后场景还能撑住」在性质上不同于「改提示再重新生成」。

对期待今天就能用上产品的人而言： 还不是。访问有门槛，定价未公布，也没有免费档位。

对想比较规格的人而言： 目前不可能。诚实的立场是：Google 还没公布这些数字。

实践要点

如果你正在练习写世界模型提示词，即使手上只能运行现有工具，也应按 Genie 4 的强项来练：写清地点、运动、声音，以及可能的交互。这四类线索能迁移到任何世界模型界面，而且本身已经比「只描述风景」更成熟。

• 如何使用 Genie 4——完整工作流
• Genie 4 核心能力——逐项拆解
• Genie 4 局限——需要提前规划的部分

来源：Genie 4 公告、Genie 3 公告。