一段话说清定义
Genie 4 是 Google DeepMind 的实时、原生多模态世界模型，于 2026 年 10 月 27 日发布。给它一段描述、一张图或一段视频，它会生成一个可探索的模拟环境，环境持续运行并响应你的指令——加天气、移镜头、引入角色或触发事件——而无需重开。音频与场景一同生成，而非后期添加。
- 它是生成式的 — 世界由提示词或起始图像合成，而不是在引擎里手工搭建。
- 它是可交互的 — 场景实时响应你的输入，而不是回放一段固定渲染。
- 它是多模态的 — 画面、环境音、类音乐声景与对话一同产出。
- 它由智能体驱动 — Gemini 模型在实时循环中推理目标并校验自身输出。
把名字拆开看
DeepMind 自己的表述是「新一代世界模拟」。措辞很关键：模拟意味着状态、规则与因果，而不只是逐帧摆出看似合理的像素。
世界
一个持续存在的环境，具备几何、光照，且身份在时间上保持一致。
模型
一个学出来的系统，预测该世界的下一个状态，而不是存储好的素材。
交互
你的输入属于预测循环的一部分，因此世界会随你的行为分支。
实时
输出被持续重算，你不需要等待批量渲染。
基于 Gemini 的系统是怎么搭起来的
DeepMind 把 Genie 4 描述为由多个 Gemini 模型组合而成，各自负责不同工作。这既解释了它为何能在多次编辑后维持场景，也解释了为何它的错误更像推理错误而非渲染瑕疵。
Gemini Omni 提供真实世界的观感与行为依据，让生成的场景继承合理的材质、光照与运动，而不是泛化的贴图。
Genie 4 与文生视频模型的区别
这个区别决定了你实际能用它做什么，所以值得讲透。
| 问题 | Genie 4（世界模型） | 文生视频模型 |
|---|---|---|
| 你得到什么 | 一个持续运行、可探索的环境 | 一段帧序列固定的渲染片段 |
| 能中途修改吗 | 能——天气、镜头、物体、事件 | 不能——只能从头重新生成 |
| 时长 | 开放式会话，你自己决定何时结束 | 预先确定好的固定时长 |
| 物理 | 作为持续存在的世界状态来建模 | 逐帧推断，接触时容易崩坏 |
| 音频 | 原生环境音与可响应对话 | 通常后期添加 |
| 最适用 | 智能体训练、原型验证、预演 | 成片短片段与转场素材 |
Scroll the table sideways to see all columns.
漂移
长时会话或多次编辑后，视觉细节与物体恒存性会退化。
复杂物理
越是少见的交互，模拟越可能打破自己设定的规则。
音频准确性
声音是原生生成的，但不保证声学上正确。
可读文字
画面中的文字不可靠，除非它本身就是提示词的一部分。
空间精度
它无法以完美的地理精度还原真实地点。
长期一致性
会话并非为连续数小时的探索而设计。
快速问答
定义层面的问题，直接回答。