Genie 4 世界模型：功能、能力与获取方式

本次发布最该记住的一点是音频：Genie 4 是 DeepMind 首个可原生生成声音的实时世界模型，包括会对您的操作作出反应的交互式对话。这点意义重大——无声的模拟只是可视化，而有环境声与会说话的角色，才更接近用于训练智能体与机器人的环境。

Genie 4 关键特性

DeepMind 将此次发布归纳为四项核心能力，并由机器人方向引出第五项。以下是每项能力实际能让您做的事。

在运行中操控世界

您可以通过输入文字来更改实时模拟：切换天气、移动相机、添加人物或物体。Gemini 会将您的提示与屏幕上已有内容对齐，使新元素以当前场景的风格与几何一致地出现，而不是生硬叠加。

在您的输入之间，Gemini 会持续观测与引导，让世界自行推进。键盘导航与自然语言编辑的组合，正是 Genie 4 与仅能依赖起始提示的文生视频模型之间的分野。

物理与人体运动

Genie 4 模拟空气动力、碰撞等物理行为，基于 DeepMind 所称对世界“先进的物理理解”。演示刻意挑战这些能力，例如石质台座上的亮面西瓜，伴随空中水滴的慢动作，或一枚槭树翅果坠入草丛的微距镜头。

DeepMind 的表述是，最大飞跃体现在“人”。角色动作自然，能对环境作出反应，并可在场景播放时进行交互式操控——这正是此前世界模型最薄弱的部分。

原生音频与交互式对话

每个 Genie 4 世界都自带其场景相匹配的环境声，从林中风声到海滩海浪，并在需要时加入音乐。演示中的提示对音频的要求与画面同样严格，细致到“除场景中实际存在的乐器外，不要添加背景音乐”。

语音是更难的部分。角色会在事件发生时进行对话并对您的操作作出反应，这使其可用于对话预演或智能体训练。请将演示音频视为上限而非下限：DeepMind 将“实时音频准确性”列为正在攻关的研究方向。

由 Gemini 规划的多步事件

在 Genie 4 渲染时，Gemini 3.8 Flash 以引导代理的形式运行在循环中。它将目标拆解为一系列步骤，审阅输入帧以核验每步是否真正完成，并在世界变化或您介入时重写计划。

这一循环赋予场景可靠的因果性与过程化行为，而非仅有华丽的“漂移”。这也是本次发布中最接近技术差异化的部分，因为模拟在推理模型的监督下运行，而不是放任开环。

结合 Gemini 4 Argon 的机器人情景生成

DeepMind 将 Genie 4 与 Gemini 4 Argon 及 Gemini Robotics 配套使用。Argon 会将用户指示的任务分解为步骤，并在 Genie 4 渲染过程中以文字标题交错进场景，使世界随任务推进而自适应。公开示例是 Apptronik 的 Apollo 人形机器人下棋。

对机器人团队而言，吸引力在于无需手工搭建每个环境即可生成大量情景。但需注意这些都是想象世界，发布中并未量化在 Genie 4 场景中学到的行为能多大程度迁移到真实硬件。

Genie 4 的基准表现如何？

没有，至少未公开。Google 的发布没有基准表、没有分数，也没有与其他世界模型的对比。截至 2026 年 10 月 28 日，公开报道中也未见第三方测评、独立评估或基准复现。以下各项能力陈述均可追溯至 DeepMind 自己的演示与其内部测试者。

Google 用什么替代了分数

证据是实时交互的录屏，用户用键盘导航并输入提示，在场景演化时进行修改。DeepMind 在 X 上的贴文（撰写时观看量 27.69 万）列出了五项主张：来自 Gemini Omni 的照片级真实感、先进物理、实时操控、原生音频，以及借助 Gemini 的推理实现多步连贯。

演示短片是精选片段，宜将其视为能力上限。但提示词本身值得研究：它们较长，分为环境部分与角色部分，并包含大量负面约束，如“不要 CGI 质感”“不要空旷的平台”。

受信任测试者的反馈

预览前，DeepMind 在创意产业、新闻、教育、游戏与工程等领域组织了测试群体。他们给出的四类用例足够具体：

• 创意指导：电影人走进场景的实时模拟，现场多次走拍并随时调整机位、光线、对话与动作。
• 历史情景与沉浸式照片：图片记者将一张二维档案照片在数秒内变成该环境的扎实模拟，或可视化山洪与野火的演进。
• 交互体验概念设计：游戏开发者在编写引擎代码前，从想法快速到可探索的原型。
• 仿真：企业伙伴在机器人以外的场景，评估其用于快速从零到一的情景生成。

反馈中反复出现的词是“草稿模式”，我认为这也是对本次发布最诚实的定位。

Genie 4 在哪里会出错

DeepMind 难得直言其失败模式，这点可取。随着会话变长、复杂提示编辑次数增多，或您在场景中穿行时，视觉细节与物体恒存性会发生变化或漂移。

点名的开放问题包括：复杂物理交互、实时音频准确性、可读文字渲染、空间准确性以及长期一致性。最后一点是实际天花板：若一个世界无法在长会话中稳住自身物体的位置，您就只能用它做原型，而非用于正式拍摄。

走向何处：混合式世界模型

DeepMind 表示下一步是混合式世界模型，将代码与语言模型的结构化推理与像素级模拟相结合。由 Gemini 映射结构并规划叙事时间线，Genie 则负责世界的视觉、声音与响应。

本次发布中的 Gemini 3.8 Flash 循环，就是这种分工的初版。若其有效，正好针对 DeepMind 自认的痛点：长会话连贯性——这不是单靠像素逼真度能解决的。

Genie 4 的定价与可用性

Genie 4 尚未公布价格。Google 未发布按 token 或按会话的费用、未给出 API 标识符，也未设定全面开放日期。它仍是研究预览。

分阶段推出：受信任测试者已可使用，接下来是 Project Genie 中的 Google AI Ultra 订阅用户，随后是通过 Gemini API 与 Google AI Studio 接入的早期访问合作伙伴。Project Genie 的候补名单向所有人开放。

供参考，Google 在其他前沿文本模型上的定价：Gemini 4 Argon 通过 2026 年 11 月 30 日的优惠价为每百万输入 token 2 美元、每百万输出 token 10 美元，12 月 1 日起分别升至 4 美元与 20 美元。这并不能推断交互式世界模型会话的费用，Google 也未说明。

在第三方平台上，截至 2026 年 10 月 28 日，Genie 4 未在 OpenRouter 上架，也未收录于 OpenCode 目录（models.dev）。其生成的所有视频帧与音频秒数都带有 SynthID（Google 的不可感知水印），且 DeepMind 在开放预览前已进行内部安全评估。

用户对“排队门槛”颇有微词。在 DeepMind 于 X 的发布贴回复中，最高票的抱怨是：一年过去 Genie 3 仍未覆盖所有 Pro 订阅用户——当新一代又以候补名单的形式到来，这确实是个可以质疑的点。

如何获取 Genie 4 的访问权限？

目前通往 Genie 4 的门有三扇，其中两扇由 Google 掌控：

• 受信任测试者群组：已关闭；DeepMind 之前从新闻、游戏、教育与工程等领域收集反馈的对象。
• 面向 Google AI Ultra 订阅的 Project Genie：即将上线，您今天即可加入公开候补名单。
• Gemini API 与 Google AI Studio：仅限早期访问合作伙伴，未公布模型标识符。

不建议猜测 API 字符串。Google 尚未发布 Genie 4 的模型 ID，靠营销名去推断只会让您的客户端代码撞上 404，因此目前没有值得打印的代码片段。

在拿到访问前，您可以先熟悉提示词格式，因为它并不随意。演示提示会将环境与角色分开描述，明确指定相机行为，并在结尾罗列负面约束（“不要第三人称视角”“不要航拍镜头”“不要 3D 渲染质感”）。DeepMind 的 Genie 提示词指南是起点，我们的 Gemini 4 Argon 文章也介绍了这些场景背后的规划模型。

Genie 4 提示词的实际结构

演示中的提示词遵循一个值得借鉴的模式：用环境提示固定场景设定，用独立的角色提示固定主体与相机关系，然后给出一组负面约束。某个热气球示例明确了第一人称视角，机位在藤编吊篮内，画面右侧可见镶皮边沿，随后再描述下方的南极冰盖。

负面约束承担了大部分约束力。提示一再排除“游戏画风”“航拍镜头”“越肩视角”“空旷平台”，这也暗示了当提示留白时，Genie 4 的默认回落倾向。

结语

Genie 4 最清晰地表明，DeepMind 将“模拟”（而非仅仅文本）视为通往通用智能的路径，并据此投入前沿产能。同月内，OpenAI 将 GPT-6.1 Terra 面向低成本、高频的日常任务，Google 则发布了面向智能体的旗舰 Gemini 4 Argon，以及支撑其机器人研究的世界模型。

值得切换过去吗？当前无从切换：没有价格、没有模型 ID、没有适用于大众的 API。若您从事预演、游戏原型或机器人仿真，建议加入 Project Genie 候补，并将预期维持在“草稿质量”——这正是 DeepMind 自家测试者的定位。

若想快速了解支撑 Genie 4 推理的 Gemini 系列，建议从我们的 AI 基础技能路径开始。