DeepMind 发 Genie 4：世界模型原生带音频，可用文字实时改场景
Google DeepMind 发布 Genie 4，官方定位是「新一代世界模型」，核心变化有两条：一是原生多模态，音频不再事后配音，音乐、环境声与对话跟画面同时生成，官方给出的示范音轨全部由 Genie 4 直接产出；二是实时交互，用户用键盘控制移动与镜头、用文本提示改变场景。它建立在 Gemini 家族之上——Gemini Omni 锚定模拟的真实外观与行为，其他 Gemini 模型提供维持连贯性所需的推理，Gemini 3.8 Flash 则在环内充当引导智能体：一边观察画面，一边把目标拆成动作，让世界继续推进。
交互细节值得记：当用户说「把天气改成下雨」或「让镜头升高」时，Gemini 会把这句话改写成与当前场景上下文一致的版本再交给世界模型，而不是硬切；在两次输入之间，它也持续监测与引导，避免场景漂移。官方强调页面上的视频是实时交互录制，不是剪辑，并给出用参考图锁首帧、再长段提示词控制影调与运动的用法——这说明它把「可控性」当成主要卖点，而不只是画质。
可用性要写清楚：Genie 4 现在只是面向受信测试者的研究预览，之后才向消费者与开发者开放，顺序是先给 Google AI Ultra 订阅者在 Project Genie 里用，再给 Gemini API 与 Google AI Studio 的早期访问合作方，另有 waitlist。官方没有公布参数量、帧率、分辨率或任何基准分数，也没有第三方评测，所以本条只主张「世界模型的形态变了：从生成一段视频变成生成一个可实时干预、自带声音的世界」，不主张它在哪项指标上更强。
原文链接：Google DeepMind 官方博客
核验记录
日期双证：deepmind.google 单篇页 JSON-LD datePublished 2026-10-27T16:13:00+00:00（= 北京 10-28 00:13），blog.google 同题页 datePublished 2026-10-27T16:00:00+00:00 且 article:published_time 为 2026-10-27，两页可见日期分别为 October 27, 2026 与 Oct 27, 2026（R14 页内字段层）。技术描述取自 deepmind.google 单篇页正文（224,638 字节直读 200），Gemini 3.8 Flash 作为环内引导智能体一句为原文。本机未读到任何参数量、帧率、分辨率、基准数字（全文 grep 无 fps/resolution/benchmark 数值），故正文不含指标主张；也未独立试用产品，所有「效果」表述均为官方口径。配图取该页 og:image（lh3.googleusercontent.com，WebP 350,726 字节），裸请求与带站内 Referer 双 200。
← 上一篇Liquid AI 发 LFM3：六个 2B 模型共用一条 1.7B 骨干，权重开放下一篇 →百灵放出 Ling-3.1-flash-1019：架构没动，重做后训练后 AA 智能指数 41→44