🔍 10月27日，Google DeepMind 发布 Genie 4，官方称其为"迄今最逼真、交互性最强的世界模型"。硬指标：单次连贯模拟约2分钟、实机约24帧/秒（沃顿教授 Ethan Mollick 实测23.4–25.3 FPS）、系列首次原生生成音频与即兴对话。

📋 官方也列了未解项：时长拉长后细节漂移、物体位置偏移、世界内文字难辨识、复杂物理与空间准确性。定位是研究预览，不是成品。

① 声音是监督信号，不只是特效

官方称这是谷歌首个原生生成音频的实时世界模型。我的理解：真正难的不是配音效，而是让声音与动作对齐——模型必须先学到"谁在何时碰上了谁"。视频本就是一份被静音的物理日志，音轨是它自带的密集监督信号。此为我个人推断，非官方表述。

② 三个Gemini分工，是一次架构承认

Gemini 3.8 Flash 在回路里当"导演"，逐帧判断步骤是否完成再下指令；Gemini 4 Argon 把"下跳棋"拆成22步动作喂给机器人；Gemini Robotics 负责具身侧。官方理由很直白：纯像素预测缺乏长程规划，容易做完第一步就丢目标。

推理其实在世界模型之外——它是"想象力的渲染器"，Gemini 是"意图的规划器"，壁垒在两者同时拥有。

③ 这不是"国内落后"的故事

腾讯 HY-World 2.0 已开源，输出3DGS/Mesh/点云，兼容游戏引擎；阿里 Qwen-AgentWorld 生成的是"环境"而非画面，训练用超1000万条真实交互轨迹，模型与评测基准一并开源；蔚来 NWM 2.0 已推送超70万车主；商汤开悟已量产。

谷歌做的是实时像素流＋原生音频，国内押的是可编辑3D资产与可训练环境——目标不同，不宜直接排名 🤝。

④ 该看的指标是漂移，不是逼真

在会漂移的仿真里训练，策略学到的是一个不存在的物理；2分钟不是画质参数，是训练片段的基本单位。

客观说：Genie 4 公开演示最完整，也最难用上——研究预览、Ultra 等待名单，API 与 AI Studio 尚未公布定价；国内开源、便宜、易落地，实时性与音频仍差一截。

#Genie4 #世界模型 #谷歌DeepMind #腾讯混元 #具身智能 #AI仿真 #Gemini #AI工具 #人工智能