谷歌在 10 月 27 日放出了 Genie 4 的研究预览。官方口径是”迄今最逼真、交互性最强的世界模型”。拿到早期权限的开发者 Justine Moore 给出的实测数字更实在：从一条提示词到可玩场景，通常不到 30 秒；实时交互窗口约 2 分钟；帧率面板显示当前 24.6 FPS，最低 17，平均 23.8。
这几个数字放在一起看，比发布会上的形容词有用得多。30 秒建世界，2 分钟玩世界，24 帧上下维持手感——它已经越过了”AI 视频”的范畴，落进了”能上手试玩的原型”这个区间。
从看视频到走进场景，差的是什么
普通视频模型回答的是”接下来画面长什么样”。世界模型要多回答一层：你往左走，视野怎么变；你推倒桌上杯子，下一秒发生什么；你离开房间再折返，屋子还在不在。
这背后是两个硬指标。动作条件生成，要求下一帧不能只依据上一帧外推，必须把用户刚按下的键纳入条件。世界状态一致性，要求模型记住已经生成过的空间关系，别让人走一圈回来发现建筑换了位置、门开在了另一面墙上。
Genie 3 在 2025 年已经做到 24 帧、720p 的实时交互，支持数分钟环境模拟。它走的是逐帧自回归路线，不预先建显式三维场景，靠历史画面加操作持续往后推。
这条路线有个绕不开的账：生成越久，需要参考的历史越长，误差越容易滚雪球。用户一分钟前路过的那栋楼，回头时模型得从压缩过的历史里把它捞回来，捞不准就是漂移。工程上常见的缓解手段是给关键场景打锚点、对历史做状态摘要压缩、对漂移区域做局部重生成，但都只是压住症状，不是根治。
Genie 4 没有换路线，它换的是”谁来管这段历史”。
两个大脑：一个想，一个画
系统至少分三层。底层是 Genie 4 本体，负责实时吐画面、吐声音、吐动态，人物动作和环境变化都在这一层生成。中间层是 Gemini Omni，给模拟世界提供贴近现实的外观与行为基准。最上面一层是 Gemini 3.8 Flash，充当实时指导智能体。
第三层是这次真正的变量。Genie 4 一边生成，Gemini 3.8 Flash 一边看画面、拆步骤、检查当前步骤是否完成。用户中途插一句话，或者世界状态偏了，它重新排计划。
过去世界模型能生成逼真的机器人动作，却保证不了动作之间的任务逻辑对不对。现在把语言推理塞进生成回路，复杂事件的连贯性才有地方兜底。
更远一点的实验里，Gemini 4 Argon 直接指挥 Genie 4，一步步模拟人形机器人下跳棋。谷歌把这条路叫混合世界模型：代码和语言模型管”事情该怎么发展”，像素级生成模型管”这件事看起来是什么样”。
四个能力升级，逐个看
实时改世界。演示里萨克斯手站在湖心漂浮平台上，雾气、流水、暖光球体，人物手指和呼吸自然衔接，摄像机独立移动。重点不是画面像电影，而是镜头能自由探索的同时，人物、物体、环境的空间关系不崩。键盘控移动和视角，文字改天气、加人加物，Gemini 理解当前环境后执行，用户停手时它还帮着维持场景演进。
物理与人物行为。西瓜置于石台、枫树种子旋转落进草地、日本乡村火车站里乘客走动候车。官方强调空气动力学和碰撞模拟有提升，人体运动更自然、能对环境作出反应并接受实时操控。需要说清楚：这里的物理是模型学到的世界规律生成的结果，不是逐项精确求解，别拿它当仿真软件用。
原生声音。骑龙穿山的演示里，振翅轰鸣、高空气流、远处火山活动的声音都由 Genie 4 直接生成，不是后期贴的。模型还能实时生成人物对话，角色依据用户输入或场景事件开口，而不是背预设台词。对互动叙事和游戏开发来说，这意味着角色可以从”写死每句台词”变成”随情境持续产生行为和对话”。
复杂事件推演。就是前面说的 Gemini 拆步骤、Genie 呈现、系统随进展调整后续步骤那套。
实测口径：帧率和一致性怎么验
官方演示之外，开发者自己跑的时候建议盯三组数，别只看那一个 24.6。
帧率要看分位数，不看均值。采集一段 60 秒以上的交互日志，按秒统计帧数，取 P5 和 P50。判定标准可以定成 P50 不低于 22、P5 不低于 15，低于这个区间手感会明显发涩。Linux 下用 nvidia-smi --query-gpu=utilization.gpu,memory.used --format=csv -l 1 同步记录显存占用，能看出掉帧是不是显存抖动引起的。
指令响应延迟要单独测。从发出文字指令到画面出现对应变化，用带时间戳的录屏逐帧数，超过 2 秒就算不合格。这个指标和帧率是两回事，帧率稳但指令排队，体验一样糟。
一致性做回归测试。固定一条提示词生成场景，记录三个固定视角的截图作为基线；交互 90 秒后回到同一视角再截，用结构相似度比对，低于阈值就判定为漂移。这套流程不复杂，但能把”看着还行”变成可复现的结论。
适用边界与接入节奏
2 分钟的交互窗口，对验证单段玩法、预览单组镜头够用，对需要长时间驻留的开放世界不够。物理是生成式的，涉及精确碰撞、刚体堆叠、数值敏感的场景不要指望它。原生音频和对话质量目前适合原型和氛围验证，正式产品仍需外部音频管线兜底。另外，逐帧自回归的漂移问题在长时交互里依然存在，回访类玩法要提前设计锚点。
接入方面，Genie 4 目前只对少量受信任测试者开放研究预览，后续逐步给到 Google AI Ultra 订阅用户，以及 Gemini API、Google AI Studio 的早期合作伙伴。想提前评估的团队，可以先按上面那套帧率和一致性口径搭好测试脚本，等权限下来直接跑，省掉摸索时间。
ID:7213
