Genie 3（左）对比 Genie 4（右）
两个模型收到的是同一个场景。注意人物如何成形、衣柜的层次如何读出来，以及镜头移动时房间是否保住布局。
来源：Google DeepMind，Genie 4 公告
Genie 4 对比 Genie 3
相隔一年：Genie 3 于 2025 年 8 月带来 720p / 24fps 的实时交互；Genie 4 于 2026 年 10 月以多模态、智能体驱动的模拟登场。
下面说清到底变了什么，以及什么没变。
简短版本
Genie 3 证明了生成的世界可以交互。Genie 4 在此之上加了三样东西：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。
- 新增：原生音频 — 环境音、类音乐声景与可响应角色对话。
- 新增：智能体循环 — Gemini 3.8 Flash 在场景内观察、规划、校验并重规划。
- 新增：访问途径 — 经 Project Genie 面向 AI Ultra，另有 Gemini API 与 AI Studio 合作伙伴。
- 不变：核心交互理念 — 两者都让你实时操控生成世界，而不是观看片段。
Genie 3 的公开数据——720p、24fps、数分钟一致性、约一分钟视觉记忆——是 Genie 3 的。Google 未公布 Genie 4 的对应数字。
那段对比影像
DeepMind 发布了一组左右对比：同一间化妆间场景，分别由 Genie 3 与 Genie 4 生成。可以直观看出新一代模型多撑住了什么。
这是 DeepMind 发布的唯一一组直接 A/B 影像。公告中的其它片段都只有 Genie 4 单独生成的结果。
完整对比
所有能依据公开信息进行比较的维度。
| 维度 | Genie 4 | Genie 3 |
|---|---|---|
| 发布时间 | 2026 年 10 月 27 日 | 2025 年 8 月 5 日 |
| 定位 | 实时、原生多模态世界模型 | 生成式交互环境模型 |
| 输出模态 | 画面、环境音、类音乐声景、实时对话 | 视觉帧 |
| 分辨率与帧率 | 未公布 | 720p，24fps |
| 操控方式 | 以自然语言修改天气、镜头、物体与人物 | 实时导航，加文本触发世界事件 |
| 推理 | Gemini Omni 接地；Gemini 3.8 Flash 智能体循环校验画面并重规划 | 官方未描述为智能体驱动 |
| 一致性 | 宣称会话更长，但多次编辑后仍有漂移 | 数分钟内大体一致；视觉记忆约一分钟 |
| 角色行为 | 自然动作、反应与可交互对话 | 描述了角色动作；无对话生成 |
| 水印 | 视频与音频均有 SynthID | 视频有 SynthID |
| 可用性 | 受信任测试者、AI Ultra 经 Project Genie、Gemini API 与 AI Studio 合作伙伴 | 面向少量学者与创作者的有限研究预览 |
| 多智能体交互 | 公告未涉及 | 明确称为尚未解决的研究难题 |
| 智能体训练定位 | 明确——点名机器人与智能体训练 | 明确——用于训练与评估含 SIMA 在内的智能体 |
空白或「未公布」的单元格是刻意保留的。用猜测填满只会让这张表失去价值。
Scroll the table sideways to see all columns.
真正重要的三项变化
除了版本号，Genie 4 改变的是这个模型的用途。
Genie 3 产出的是画面；Genie 4 产出的是一个有环境音、有音调性材料、有会说话角色的地方。这一项变化就把它从视觉原型推向「可以开拍的场景」。
什么没有变
局限被继承了下来。Genie 4 是更好，不是已解决。
漂移依然存在
Google 仍报告长时会话或多次编辑后，视觉细节与物体恒存性会流失。
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。
画面文字不可靠
只有在提示词中明确要求时，可读文字才比较稳定。
不是地理引擎
真实地点无法以完美的空间精度被复现。
会话不是马拉松
两代模型都不是为连续数小时的探索设计的。
多智能体仍是未解问题
Genie 3 称多智能体交互尚未解决；Genie 4 也没有宣称解决了它。
对比相关问题
在两代模型之间做选择时，大家真正会问的细节。