Mô hình thế giới Genie 4: Tính năng, năng lực và cách nhận quyền truy cập

Điểm cần nhớ từ bản phát hành này là âm thanh: Genie 4 là mô hình thế giới thời gian thực đầu tiên của DeepMind tạo âm thanh nguyên bản, bao gồm hội thoại tương tác phản hồi theo hành động của bạn. Điều đó quan trọng hơn vẻ bề ngoài, vì một mô phỏng im lặng chỉ là trực quan hóa, còn mô phỏng có âm thanh môi trường và nhân vật biết nói thì gần hơn với môi trường huấn luyện cho tác tử và robot.

Các tính năng chính của Genie 4

DeepMind nhóm bản phát hành xoay quanh bốn năng lực, với năng lực thứ năm xuất phát từ mảng robot. Dưới đây là những gì mỗi năng lực cho phép bạn thực sự làm.

Điều khiển một thế giới khi nó đang chạy

Bạn thay đổi một mô phỏng đang hoạt động bằng cách gõ: chuyển thời tiết, di chuyển camera, thêm người hoặc vật thể. Gemini điều chỉnh lời nhắc của bạn để phù hợp với những gì đang hiển thị, vì vậy yếu tố mới xuất hiện với phong cách và hình học của cảnh hiện có thay vì bị dán chồng lên.

Giữa các thao tác của bạn, Gemini tiếp tục quan sát và điều khiển để thế giới tự vận hành tiếp. Sự kết hợp giữa điều hướng bằng bàn phím và chỉnh sửa bằng ngôn ngữ tự nhiên là thứ tách Genie 4 khỏi mô hình văn bản-thành-video, nơi quyền kiểm soát duy nhất của bạn là lời nhắc ban đầu.

Vật lý và chuyển động con người

Genie 4 mô phỏng khí động học, va chạm và các hành vi vật lý tương tự, dựa trên cái mà DeepMind gọi là hiểu biết vật lý nâng cao về thế giới. Các lời nhắc demo cố ý thử thách điều này: từ một quả dưa hấu bóng trên bệ đá với giọt nước bay chậm đến cảnh cận một hạt phong rơi vào bãi cỏ.

Cách DeepMind đặt vấn đề là bước nhảy vọt kịch tính nhất nằm ở con người. Nhân vật di chuyển tự nhiên, phản ứng với môi trường xung quanh, và có thể được điều khiển tương tác khi cảnh đang phát — phần mà các mô hình thế giới trước đây xử lý kém nhất.

Âm thanh nguyên bản và hội thoại tương tác

Mỗi thế giới trong Genie 4 đều mang âm thanh môi trường của bối cảnh riêng, từ tiếng gió xào xạc đến sóng biển, cùng âm nhạc khi cảnh cần. Lời nhắc demo quy định phần âm thanh chặt chẽ như hình ảnh, đến mức "không có nhạc nền ngoài các nhạc cụ hiện diện vật lý trong cảnh".

Lời nói là tuyên bố khó hơn. Nhân vật trò chuyện và phản ứng với thao tác của bạn và các sự kiện trong thế giới theo thời gian thực, đây là mảnh ghép khiến nó dùng được cho dựng thử hội thoại hay huấn luyện tác tử. Hãy coi âm thanh trong demo là trần chứ không phải sàn: DeepMind liệt kê độ chính xác âm thanh thời gian thực là một hướng nghiên cứu đang tiếp tục.

Sự kiện nhiều bước do Gemini lập kế hoạch

Gemini 3.8 Flash chạy trong vòng lặp như một tác tử dẫn dắt khi Genie 4 kết xuất. Nó phân rã một mục tiêu thành chuỗi bước, rà soát các khung hình vào để kiểm tra từng bước thực sự hoàn thành, và viết lại kế hoạch khi thế giới thay đổi hoặc bạn can thiệp.

Vòng lặp đó mang lại cho cảnh tính nhân-quả đáng tin cậy và hành vi thủ tục thay vì trôi dạt đẹp mắt. Đây cũng là điểm khác biệt kỹ thuật gần nhất trong bản phát hành này, vì mô phỏng được giám sát bởi một mô hình lý luận thay vì chạy vòng lặp mở.

Tạo kịch bản cho robot với Gemini 4 Argon

DeepMind đang kết hợp Genie 4 với Gemini 4 Argon và Gemini Robotics. Argon phân rã một nhiệm vụ theo chỉ dẫn người dùng thành các bước, được xen kẽ vào Genie 4 dưới dạng chú thích văn bản trong khi mô phỏng kết xuất, để thế giới thích nghi khi nhiệm vụ tiến triển. Ví dụ công bố là robot hình người Apollo của Apptronik chơi cờ dam.

Với các nhóm robot, sức hút là tạo ra bề rộng kịch bản mà không phải dựng tay từng môi trường. Điểm cần lưu ý là đây là các thế giới tưởng tượng, và không có gì trong thông báo định lượng mức độ hành vi học được trong cảnh Genie 4 chuyển giao sang phần cứng tốt đến đâu.

Genie 4 thể hiện thế nào trên các benchmark?

Không, ít nhất là chưa công khai. Thông báo của Google không có bảng benchmark, không có điểm số, và không có so sánh với mô hình thế giới nào khác, và tính đến ngày 28/10/2026 chưa có bài đánh giá bên thứ ba, đánh giá độc lập, hay tái lập benchmark cho Genie 4 xuất hiện trong các nguồn tin sẵn có. Mọi tuyên bố năng lực dưới đây đều truy ngược về demo và nhóm thử nghiệm của chính DeepMind.

Google công bố gì thay vì điểm số

Bằng chứng là các bản ghi tương tác thời gian thực, nơi người dùng điều hướng bằng phím và gõ lời nhắc để thay đổi cảnh khi nó tiến triển. Bài đăng của DeepMind trên X, có 276,9 nghìn lượt xem tại thời điểm viết, nêu năm điểm: ảnh chân thực nhờ Gemini Omni, vật lý nâng cao, điều khiển thời gian thực, âm thanh nguyên bản, và lý luận của Gemini để đảm bảo mạch lạc nhiều bước.

Các cuộn demo là những lượt chọn lọc, nên tôi xem đó như giới hạn trên. Tuy vậy, chính các lời nhắc rất đáng để học: chúng dài, tách phần môi trường và nhân vật, và chất đầy ràng buộc phủ định như "không mang dáng dấp CGI" và "không có bệ trống".

Nhóm thử nghiệm đáng tin cậy báo gì

DeepMind đã chạy các nhóm trong ngành sáng tạo, báo chí, giáo dục, game và kỹ thuật trước bản xem trước. Bốn trường hợp sử dụng họ mô tả đủ cụ thể để hữu ích:

• Định hướng sáng tạo: nhà làm phim bước vào mô phỏng trực tiếp của một cảnh và chạy nhiều lượt quay trong thời gian thực, điều chỉnh camera, ánh sáng, hội thoại và hành động ngay tại chỗ.
• Kịch bản lịch sử và ảnh chìm đắm: phóng viên ảnh biến một bức ảnh lưu trữ 2D thành mô phỏng có căn cứ của môi trường đó trong vài giây, hoặc hình dung cách lũ quét hay cháy rừng diễn tiến.
• Thiết kế ý tưởng trải nghiệm tương tác: nhà phát triển game đi từ ý tưởng đến nguyên mẫu có thể khám phá trước khi viết dòng mã động cơ đầu tiên.
• Mô phỏng: các đối tác doanh nghiệp đánh giá khả năng tạo nhanh kịch bản từ số 0 đến 1 ngoài lĩnh vực robot.

Từ lặp lại trong phản hồi là "chế độ nháp", và tôi nghĩ đó là cách định vị trung thực cho bản phát hành này.

Genie 4 hỏng ở đâu

DeepMind khá thẳng thắn về các kiểu lỗi, điều mà tôi đánh giá cao. Chi tiết hình ảnh và tính bền vững của vật thể bị thay đổi hoặc trôi đi khi phiên kéo dài, sau vài lần chỉnh sửa lời nhắc phức tạp, hoặc khi bạn di chuyển quanh cảnh.

Các vấn đề mở được nêu gồm tương tác vật lý phức tạp, độ chính xác âm thanh thời gian thực, kết xuất văn bản dễ đọc, độ chính xác không gian, và tính nhất quán dài hạn. Điểm cuối cùng là trần thực dụng: nếu một thế giới không giữ được các vật thể của chính nó ổn định suốt phiên dài, bạn chỉ có thể dùng nó để thử nghiệm, không phải để quay chính thức.

Hướng đi kế tiếp: mô hình thế giới lai

Bước tiếp theo được DeepMind nêu là mô hình thế giới lai, kết hợp cấu trúc lý luận của mã và mô hình ngôn ngữ với mô phỏng cấp điểm ảnh. Gemini lập bản đồ cấu trúc và lên kế hoạch dòng thời gian tường thuật, trong khi Genie kết xuất cách thế giới trông, phát âm thanh và phản hồi.

Vòng lặp Gemini 3.8 Flash trong bản phát hành này là phiên bản đầu tiên của sự phân tách đó. Nếu hiệu quả, nó giải quyết đúng kiểu lỗi DeepMind thừa nhận: mạch lạc phiên dài, điều mà không mức độ trung thực điểm ảnh nào tự nó khắc phục được.

Giá và khả dụng của Genie 4

Genie 4 chưa có giá công bố. Google chưa đưa ra chi phí theo token hoặc theo phiên, chưa có mã định danh API, và chưa ấn định ngày mở rộng. Đây là bản xem trước nghiên cứu.

Triển khai theo giai đoạn: nhóm thử nghiệm đáng tin cậy có ngay, người đăng ký Google AI Ultra sẽ có trong Project Genie tiếp theo, và đối tác truy cập sớm sẽ dùng qua Gemini API và Google AI Studio. Danh sách chờ Project Genie mở cho mọi người.

Để tham chiếu mức giá ở rìa công nghệ khác của Google, Gemini 4 Argon có giá 2 USD mỗi triệu token đầu vào và 10 USD mỗi triệu token đầu ra đến hết 30/11/2026, tăng lên 4 USD và 20 USD từ 1/12. Điều đó không cho bạn biết một phiên mô hình thế giới tương tác sẽ tốn bao nhiêu, và Google chưa nói.

Trên các nền tảng bên thứ ba, Genie 4 chưa có trên OpenRouter và chưa có trong danh mục OpenCode (models.dev) tính đến 28/10/2026. Mỗi khung hình video và mỗi giây âm thanh nó tạo đều gắn SynthID, hình mờ không thể cảm nhận của Google, và DeepMind đã chạy các đánh giá an toàn nội bộ trước khi mở bản xem trước.

Khâu kiểm soát truy cập là điểm gây khó chịu với người dùng. Trong phần phản hồi cho chuỗi ra mắt trên X của DeepMind, phàn nàn hàng đầu là Genie 3 vẫn chưa đến tay tất cả thuê bao Pro sau một năm, điều này là hợp lý để nêu ra khi thế hệ kế tiếp lại đến sau một danh sách chờ khác.

Làm sao để truy cập Genie 4?

Hiện có ba cánh cửa vào Genie 4, và Google kiểm soát ai đi qua hai trong số đó:

• Nhóm thử nghiệm đáng tin cậy: đã đóng, và là nhóm DeepMind thu thập phản hồi trên các lĩnh vực báo chí, game, giáo dục và kỹ thuật.
• Project Genie cho người đăng ký Google AI Ultra: sắp ra mắt, với danh sách chờ công khai bạn có thể tham gia ngay hôm nay.
• Gemini API và Google AI Studio: chỉ đối tác truy cập sớm, chưa có mã định danh mô hình công bố.

Tôi sẽ không đoán chuỗi API. Google chưa công bố ID mô hình Genie 4, và suy đoán từ tên tiếp thị là cách khiến mã khách hàng của bạn nhận 404, nên chưa có đoạn mã nào đáng in ra lúc này.

Điều bạn có thể làm trước khi có quyền truy cập là học định dạng lời nhắc, vì nó không hề tùy tiện. Lời nhắc demo tách lời nhắc môi trường khỏi lời nhắc nhân vật, quy định hành vi camera một cách rõ ràng, và liệt kê các ràng buộc phủ định ở cuối ("không góc nhìn người thứ ba", "không camera drone", "không thẩm mỹ kết xuất 3D"). Hướng dẫn lời nhắc Genie của DeepMind là nơi nên bắt đầu, và bài viết Gemini 4 Argon của chúng tôi trình bày mô hình đảm nhiệm phần lập kế hoạch đằng sau các cảnh này.

Cấu trúc thực sự của lời nhắc Genie 4

Các lời nhắc demo theo một mẫu đáng học hỏi: một lời nhắc môi trường cố định bối cảnh, một lời nhắc nhân vật riêng cố định chủ thể và mối quan hệ với camera, rồi một khối ràng buộc phủ định. Một bản demo khinh khí cầu chỉ định góc nhìn người thứ nhất từ bên trong giỏ mây, với mép bọc da ở phía phải khung hình, trước khi mô tả thềm băng Nam Cực bên dưới.

Các ràng buộc phủ định làm phần lớn công việc. Lời nhắc nhiều lần loại trừ phong cách trò chơi điện tử, camera drone, góc máy qua vai và các bệ trống, gợi ý đó là các mặc định Genie 4 quay về khi lời nhắc còn khoảng trống.

Kết luận

Genie 4 là dấu hiệu rõ ràng nhất cho thấy DeepMind coi mô phỏng, không chỉ văn bản, là con đường đến AGI, và họ đang dành năng lực tuyến đầu tương xứng. Cùng tháng mà OpenAI nhắm GPT-6.1 Terra vào các tác vụ công việc giá rẻ, khối lượng lớn, Google tung ra mẫu đầu bảng cho tác tử là Gemini 4 Argon và một mô hình thế giới phục vụ nghiên cứu robot của họ.

Có đáng để chuyển sang không? Chưa có gì để chuyển: không giá, không mã mô hình, không API cho phần còn lại của chúng ta. Nếu bạn làm tiền trực quan hóa, thử nghiệm trò chơi hoặc mô phỏng robot, hãy tham gia danh sách chờ Project Genie và đặt kỳ vọng ở mức chất lượng bản nháp — đúng như nơi nhóm thử nghiệm của chính DeepMind đặt nó.

Nếu bạn muốn nắm bắt nhanh các mô hình Gemini đảm nhiệm phần lý luận đằng sau Genie 4, tôi khuyên bắt đầu với lộ trình kỹ năng AI Fundamentals của chúng tôi.