Genie 4 — model świata: funkcje, możliwości i jak uzyskać dostęp

Kluczowa rzecz z tego wydania to dźwięk: Genie 4 to pierwszy model świata czasu rzeczywistego DeepMind, który natywnie generuje dźwięk, w tym interaktywny dialog reagujący na twoje działania. To ważniejsze, niż brzmi, bo niema symulacja to wizualizacja, a ta z odgłosami otoczenia i mówiącymi postaciami jest bliżej środowiska treningowego dla agentów i robotów.

Najważniejsze funkcje Genie 4

DeepMind porządkuje wydanie wokół czterech możliwości, z piątą wynikającą z prac nad robotyką. Oto co każda z nich faktycznie umożliwia.

Sterowanie światem w trakcie działania

Zmian dokonujesz pisząc: zmieniasz pogodę, przesuwasz kamerę, dodajesz osobę lub obiekt. Gemini dopasowuje twoje polecenie do tego, co już jest na ekranie, więc nowy element pojawia się w stylu i geometrii istniejącej sceny, a nie jako naklejka na wierzchu.

Między twoimi wejściami Gemini wciąż obserwuje i steruje, żeby świat toczył się dalej sam. To połączenie — nawigacja klawiaturą plus edycje w języku naturalnym — odróżnia Genie 4 od modeli text-to-video, w których jedyną kontrolą jest początkowy prompt.

Fizyka i ruch człowieka

Genie 4 symuluje aerodynamikę, kolizje i podobne zjawiska fizyczne, bazując na tym, co DeepMind nazywa zaawansowanym rozumieniem fizycznym świata. Prompty w demo celowo to testują — od lśniącego arbuza na kamiennym cokole z unoszącymi się kroplami w zwolnionym tempie po makro ujęcie nasiona klonu opadającego w trawę.

Samo DeepMind podkreśla, że największy skok dotyczy ludzi. Postacie poruszają się naturalnie, reagują na otoczenie i można nimi interaktywnie sterować w trakcie odtwarzania sceny — to część, z którą wcześniejsze modele świata radziły sobie najgorzej.

Natywny dźwięk i interaktywny dialog

Każdy świat Genie 4 ma odgłosy własnego otoczenia — od wiatru w drzewach po fale na plaży — oraz muzykę, gdy scena tego wymaga. Prompty w demo precyzują audio równie szczegółowo co wizualia, aż do „bez muzyki w tle poza instrumentami fizycznie obecnymi w scenie”.

Mowa to trudniejsze zobowiązanie. Postacie rozmawiają i reagują na twoje działania oraz zdarzenia w świecie na bieżąco — to element, który czyni to użytecznym do previzu dialogów lub treningu agentów. Traktuj demo audio jako sufit, nie podłogę: DeepMind wskazuje, że dokładność dźwięku w czasie rzeczywistym to obszar aktywnych badań.

Wieloetapowe zdarzenia planowane przez Gemini

Gemini 3.8 Flash działa w pętli jako agent prowadzący, gdy Genie 4 renderuje. Rozbija cel na sekwencję kroków, przegląda napływające klatki, by sprawdzić, czy każdy krok faktycznie się powiódł, i przepisuje plan, gdy świat się zmienia lub ty interweniujesz.

Ta pętla nadaje scenie wiarygodną przyczynowość i zachowanie proceduralne zamiast ładnego dryfu. To też najbliższy temu wydaniu wyróżnik techniczny, bo symulacją nadzoruje model rozumujący, zamiast pozostawić ją w otwartej pętli.

Generowanie scenariuszy dla robotów z Gemini 4 Argon

DeepMind łączy Genie 4 z Gemini 4 Argon i Gemini Robotics. Argon rozkłada zadanie zlecone przez użytkownika na kroki, które są wplatane w Genie 4 jako podpisy tekstowe w trakcie renderowania, dzięki czemu świat adaptuje się wraz z postępem zadania. Opublikowany przykład to humanoid Apollo od Apptronik grający w warcaby.

Dla zespołów robotycznych atutem jest generowanie szerokiego spektrum scenariuszy bez ręcznego budowania każdego środowiska. Zastrzeżenie: to światy wyobrażone i w ogłoszeniu nie ma danych, jak dobrze zachowania wyuczone w scenie Genie 4 przenoszą się na sprzęt.

Jak Genie 4 wypada w benchmarkach?

Nie wypada — przynajmniej publicznie. W ogłoszeniu Google nie ma tabeli benchmarków, wyników ani porównań z innymi modelami świata, a na 28 października 2026 r. w dostępnych materiałach nie pojawiła się żadna zewnętrzna recenzja, niezależna ewaluacja ani reprodukcja benchmarków dla Genie 4. Każde twierdzenie o możliwościach poniżej pochodzi z demo DeepMind i od jego testerów.

Co Google opublikowało zamiast wyników

Dowodem są nagrania interakcji w czasie rzeczywistym, gdzie użytkownicy nawigują klawiszami i wpisują prompty, by zmieniać scenę w miarę jej rozwoju. Post DeepMind na X, który w chwili pisania miał 276,9 tys. wyświetleń, wymienia pięć tez: fotorealizm z Gemini Omni, zaawansowaną fizykę, sterowanie w czasie rzeczywistym, natywne audio i rozumowanie Gemini dla spójności wieloetapowej.

Reele demo to wybrane ujęcia, więc traktowałbym je jako górny pułap. Same prompty warto jednak przeanalizować: są długie, dzielone na sekcje środowiska i postaci oraz naładowane ograniczeniami negatywnymi typu „bez wyglądu CGI” i „bez pustych platform”.

Co zgłaszali zaufani testerzy

Przed podglądem DeepMind przeprowadził kohorty w branżach kreatywnych, dziennikarstwie, edukacji, grach i inżynierii. Opisane cztery przypadki użycia są na tyle konkretne, że przydatne:

• Kierownictwo kreatywne: filmowcy wchodzący do żywej symulacji sceny i kręcący wiele ujęć w czasie rzeczywistym, na bieżąco dostosowując kamerę, oświetlenie, dialogi i akcję.
• Scenariusze historyczne i immersyjne fotografie: fotoreporterzy zamieniający pojedyncze dwuwymiarowe zdjęcie archiwalne w uziemioną symulację tego środowiska w kilka sekund albo wizualizujący przebieg powodzi błyskawicznej czy pożaru lasu.
• Projekt koncepcji doświadczeń interaktywnych: twórcy gier przechodzący od pomysłu do eksplorowalnego prototypu, zanim powstanie choć jedna linijka kodu silnika.
• Symulacja: partnerzy biznesowi oceniający narzędzie do szybkiego generowania scenariuszy od zera poza robotyką.

Słowo-klucz w tych opiniach to „tryb szkicu” — i myślę, że to uczciwe pozycjonowanie tego wydania.

Gdzie Genie 4 się sypie

DeepMind wyjątkowo wprost mówi o trybach awarii, co doceniam. Detale wizualne i stałość obiektów zmieniają się lub dryfują im dłużej trwa sesja, po kilku złożonych edycjach promptów lub gdy nawigujesz po scenie.

Nazwane otwarte problemy to złożone interakcje fizyczne, dokładność dźwięku w czasie rzeczywistym, renderowanie czytelnego tekstu, dokładność przestrzenna i spójność długoterminowa. Ostatni punkt to praktyczny sufit: jeśli świat nie utrzyma własnych obiektów na miejscu w długiej sesji, służy do prototypowania, a nie do zdjęć właściwych.

Dokąd to zmierza: hybrydowe modele świata

Deklarowany następny krok DeepMind to hybrydowe modele świata, łączące ustrukturyzowane rozumowanie kodu i modeli językowych z symulacją na poziomie pikseli. Gemini odwzorowuje strukturę i planuje oś czasu narracji, a Genie renderuje, jak świat wygląda, brzmi i reaguje.

Pętla Gemini 3.8 Flash w tym wydaniu to pierwsza wersja takiego podziału. Jeśli zadziała, adresuje dokładnie ten tryb awarii, do którego przyznaje się DeepMind: spójność w długich sesjach, której sama wierność pikseli nie rozwiąże.

Cennik i dostępność Genie 4

Genie 4 nie ma opublikowanej ceny. Google nie podało kosztu za token ani za sesję, nie udostępniło identyfikatora modelu w API i nie wyznaczyło daty ogólnej dostępności. To podgląd badawczy.

Wdrożenie idzie etapami: zaufani testerzy mają dostęp teraz, subskrybenci Google AI Ultra dostaną go w Project Genie, a partnerzy z wczesnym dostępem — przez Gemini API i Google AI Studio. Lista oczekujących do Project Genie jest otwarta dla wszystkich.

Dla skali cen na froncie gdzie indziej: Gemini 4 Argon kosztuje 2 USD za milion tokenów wejściowych i 10 USD za milion tokenów wyjściowych do 30 listopada 2026 r., rosnąc do 4 i 20 USD od 1 grudnia. To nic nie mówi o koszcie interaktywnej sesji modelu świata — Google tego nie podało.

Na zewnętrznych platformach Genie 4 nie figuruje w OpenRouter i nie jest wymieniony w katalogu OpenCode (models.dev) na 28 października 2026 r. Każda klatka wideo i każda sekunda audio, które generuje, mają SynthID, niewidoczny watermark Google, a DeepMind przeprowadziło wewnętrzne oceny bezpieczeństwa przed otwarciem podglądu.

Dostęp warunkowy to bolączka użytkowników. W odpowiedziach pod wątkiem startowym na X najczęstsza skarga to fakt, że Genie 3 wciąż nie dotarł do wszystkich subskrybentów Pro po roku — co jest uzasadnioną uwagą, gdy kolejna generacja znowu startuje za listą oczekujących.

Jak uzyskać dostęp do Genie 4?

Są trzy drogi do Genie 4 i w dwóch z nich to Google decyduje, kto wejdzie:

• Kohorty zaufanych testerów: zamknięte; to grupa, od której DeepMind zbierało opinie w dziennikarstwie, gamingu, edukacji i inżynierii.
• Project Genie dla subskrybentów Google AI Ultra: wkrótce, z publiczną listą oczekujących, do której możesz zapisać się już dziś.
• Gemini API i Google AI Studio: tylko partnerzy z wczesnym dostępem, bez opublikowanego identyfikatora modelu.

Nie zgadywałbym ciągu dla API. Google nie opublikowało identyfikatora modelu Genie 4, a wnioskowanie go z nazwy marketingowej to prosty sposób na 404 w kliencie — nie ma jeszcze fragmentu kodu, który warto tu wkleić.

Co możesz zrobić przed dostępem, to poznać format promptów — bo nie jest „na luzie”. Prompty w demo oddzielają prompt środowiska od promptu postaci, jawnie określają zachowanie kamery i na końcu wymieniają ograniczenia negatywne („bez perspektywy trzecioosobowej”, „bez kamery drona”, „bez estetyki 3D-renderu”). Przewodnik Genie prompt guide od DeepMind to punkt startu, a nasz opis Gemini 4 Argon omawia model planujący to, co dzieje się za kulisami.

Jak naprawdę są zbudowane prompty do Genie 4

Prompty w demo mają wzorzec wart skopiowania: prompt środowiska, który ustala scenerię, osobny prompt postaci, który ustala temat i relację z kamerą, a potem blok ograniczeń negatywnych. W jednym demie z balonem na gorące powietrze określono widok z pierwszej osoby z wnętrza wiklinowego kosza, ze skórzanym rantem po prawej stronie kadru, zanim opisano antarktyczną pokrywę lodową poniżej.

Najwięcej robią ograniczenia negatywne. Prompty konsekwentnie wykluczają wygląd gry wideo, kamery dronowe, ujęcia znad ramienia i puste platformy — co sugeruje, że do tego Genie 4 domyślnie wraca, gdy prompt zostawia luz interpretacyjny.

Na koniec

Genie 4 to jak dotąd najczytelniejszy sygnał, że DeepMind traktuje symulację — nie tylko tekst — jako ścieżkę do AGI i inwestuje w to moce na froncie. W tym samym miesiącu, w którym OpenAI skierowało GPT-6.1 Terra do tanich, masowych zadań dnia pracy, Google dostarczyło flagowego agenta w Gemini 4 Argon i model świata zasilający jego badania nad robotyką.

Czy warto się przesiadać? Nie ma na co: brak ceny, brak ID modelu, brak API dla reszty z nas. Jeśli pracujesz przy prewizualizacji, prototypowaniu gier lub symulacji robotów, zapisz się na listę Project Genie i trzymaj oczekiwania na poziomie jakości szkicu — dokładnie tam, gdzie ustawili je testerzy DeepMind.

Jeśli chcesz nadrobić modele Gemini robiące rozumowanie za Genie 4, polecam zacząć od naszego szlaku umiejętności AI Fundamentals.