The Decoder · 2026-10-27

A Google DeepMind bemutatta a Genie 4 világmodellt

A Google DeepMind bemutatta a Genie 4 kísérleti világmodellt, amely képkockánként, valós időben számolja a környezetet, és először generál hozzá háttérhangot és párbeszédet.

A Google DeepMind bemutatta a Genie 4 nevű világmodellt, amely a 2025 augusztusában bemutatott Genie 3 utódja. A modell nem kész videókat állít elő, hanem képkockánként számolja ki a jelenetet, így valós idejű világszimuláció jön létre, a felhasználó pedig billentyűzettel járja be a teret és szöveges utasításokkal irányítja az eseményeket. Egyelőre csak kiválasztott tesztelők érhetik el kutatási előnézetként, később a Google AI Ultra előfizetői is hozzáférnek a Project Genie webalkalmazásban.

A DeepMind szerint a Genie 4 első valós idejű modellje, amely közvetlenül generál hangot: minden világnak saját háttérhangja van, például fák zúgása. A szereplők párbeszédet folytatnak egymással, és valós időben reagálnak a felhasználó bemenetére vagy az eseményekre, a karakterek pedig természetesebben mozognak. A kísérleti modell hosszabb munkamenetekben és összetett fizikai szimulációban még korlátozott, a vizuális részletek változhatnak, a tárgyak pedig nem mindig maradnak meg.

A Gemini-modellek a háttérben tervezik a szimulációt: a Gemini 3.8 Flash folyamatosan figyeli a jelenetet, lépésekre bontja a célt, és az új képkockákkal ellenőrzi, sikerült-e minden lépés. Ha a felhasználó szöveges utasítással változtatja meg az időjárást, a Gemini a futó jelenethez igazítja azt. A DeepMind a Gemini 4 Argon modellel a dámajátékot szintén lépésekre bontotta, a Genie 4 pedig szöveges utasításként megkapva az Apptronik Apollo humanoid robotjával szimulálta a játékot, valódi robot nélkül.

Miért számít?

A világmodellek később olyan tanítókörnyezetként szolgálhatnak, ahol a robotok és AI-ügynökök szimulált tapasztalatból tanulhatnak, nem csak adatokból.

Az eredeti megnyitása (The Decoder)

Eredeti cím: Google Deepmind's Genie 4 puts a modern spin on agent designs that predate LLMs