Google DeepMind 於2026年10月27日發表新一代世界模型 Genie 4，以研究預覽形式向受信任測試者開放，其後將陸續提供給 Project Genie 的 Google AI Ultra 訂戶，以及 Gemini API 與 Google AI Studio 的早期合作夥伴[1]。官方指出，Genie 4 原生多模態模型，音頻、環境聽覺與互動對話會與場景同步生成，並建基於 Gemini 系列模型的能力：Gemini Omni 負責把模擬錨定於現實世界的觀察與行為，其他 Gemini 模型則提供場景連貫所需的推理能力[1]。
以自然語言即時操控場景
使用者可以在模擬進行間以自然語言即時修改場景，例如改變天氣、移動鋼頭，或加入新的人物與物件；Gemini 會按現場環境調整指令內容，令改動與畫面互相配合。在使用者沒有輸入的時候，Gemini 會持續監看並引導場景發展，堅持世界的連貫性[1]。
物理表現與人類動作
Genie 4 建基於對世界的物理理解之上，可以模擬空氣動力學、碰撞等現實物理情境。官方形容最顯著的進展在於人類模擬：角色的動作更自然，會對環境做出反應，並且可以在實時被引導[1]。
原生音效與互動對話
Genie 4 是首個原生生成音效的即時世界模型。每個世界都帶有其所屬場景的環境聽覺，由風間風聲到海邊浪濤聲均由模型產生。官方認為真正的突破在於人聲，模型可以即時生成互動對話，角色會回應使用者的輸入或場景中發生的事件[1]。
Gemini 掌任場景引導代理
在實時運作之中，Gemini 3.8 Flash 掌當引導代理的角色。當 Genie 4 生成世界時，Gemini 會持續觀察畫面，把目標拆解為一連串步驟，並檢視陸續傳入的畫面以追蹤進度、核實每一步是否完成；當世界狀態改變或使用者介入，Gemini 會即時調整計劃，令模擬具備可靠的因果關係、程序行為與多步推理能力[1]。官方稱這種組合是走向混合式世界模型的早期一步，由 Gemini 結構結構與事件時間線，Genie 逐像素生成當下的物理現實[1]。
限制與安全安排
官方強調 Genie 4 仍屬早期實驗模型。儘管模型可以在短時間內堅持環境一致，但視覺細節與物件憑持性會隨時間漂移；複雜物理互動、即時音效準確度、文字渲染清晰度、空間準確度與長期一致性仍是研究方向[1]。所有由 Genie 4 產生的影片與音效均加入 SynthID 不可見水印，發佈前都經過內部安全評估，並先向受信任測試者開放以收集意見[1]。
參考資料
[1] Genie 4: A new generation of world simulation（2026-10-27）