谷歌推出最强世界模型Genie4，世界模型开始“有声”了！

谷歌DeepMind昨天发了Genie 4，定位是“实时交互式世界模型”的研究预览版。简单说，它生成的不是一个你看的视频，而是一个你进得去、推得动、还能对着喊话的模拟世界。

几个实打实的更新：

① 第一次有了“原生音频”。 风穿过树林、海浪拍岸、背景音乐，甚至世界里角色的实时对话，都是跟画面一起长出来的，不是后期贴上去的。这比单纯把画面堆到4K有意义得多，世界模型缺了声音，沉浸感就断了一半。

② 场景一致性从1分钟拉到了约2分钟。 Genie 3大概能撑一分钟，Genie 4翻倍了，同时物理表现（空气动力学、碰撞）和人物动作的拟真度也有肉眼可见的提升。官方演示里还能实时改天气、挪镜头、往里塞新角色，用自然语言直接指挥。

③ 背后有Gemini在当“导演”。 Gemini 3.8 Flash会在循环里盯着画面、拆解步骤、检查每一帧有没有跑偏，Genie负责把世界“画”出来。TechCrunch提到一个实验：Gemini把任务拆成步骤，Genie实时模拟机器人执行，等于先在虚拟世界里跑一遍再上真机。

但话得说回来，这玩意儿离“替掉Unity”还差着不止一个身位。

DeepMind自己在公告里就没藏着：细节和物体永久性会随时间漂移，模拟跑久了，或者你反复用提示词改场景之后，你走出去的那个房间，回来可能就不是原来那个了。音频准确性、世界内文字的可读性、空间精度，也都被列在开放问题里。说白了，两分钟是当前的上限，不是稳定发挥的下限。

而且它现在是个封闭的研究预览，先给“受信任的测试者”，之后才轮到Google AI Ultra订阅者和API早期合作伙伴。大多数人现阶段只能看演示片，摸不到。有评测直接点出：Genie 4没有公开分辨率、帧率、延迟、基准测试这些可量化的数字，连价格都没标。好与不好，目前主要靠谷歌自己放的demo和定性描述来判断，第三方独立验证的空间很有限。

我个人的感觉： Genie 4最值得看的不是“画面又真了”，而是它把声音、语言指令、物理反馈塞进了同一个实时循环里。这对影视预演、游戏原型、机器人训练场景的想象空间确实大。但“世界模型”这个词现在被用得有点宽，Genie 4本质上还是在“生成一段可被操控的体验”，离一个能长期稳定运行、有完整因果逻辑的虚拟环境，中间还隔着物体永久性、长时一致性这些硬骨头。

一句话：方向对，进步真，但“最强”这词先别急着往它头上扣。 等公测了、等独立评测能跑出数字了，再下结论也不迟。