Genie 4 解读：从视频生成迈向世界控制的技术挑战

发生了什么

雷锋网分析了 Google DeepMind 的 Genie 4 世界模型面临的三项挑战：纳入不断变化的语言指令、验证因果结果，以及协调异步模型。文章探讨了视觉上连贯的模拟如何可能导致自我验证式的成功判断，并讨论了独立检查、指令时机和分层记忆等可能的解决方案。文章将这些设想与 DeepMind 尚未披露的实现细节区分开来。

接下来读什么

• 今日还有哪些重要变化Mistral 发布改进版 Mistral Large 4 开放权重模型，面向编程和网络安全

这件事到目前为止

Google DeepMind 已发布 Genie 4。这款可生成交互式虚拟世界的模型目前以研究预览版形式提供给受信任的测试者，面向消费者和开发者的访问仍在计划中。Google 表示，Google AI Ultra 订阅用户很快就能通过 Project Genie 使用该模型，早期访问合作伙伴则可通过 Gemini API 和 Google AI Studio 使用；据 TechCrunch 报道，计划在未来几周内推出。Google 还开放了 Project Genie 候补名单。 DeepMind 表示，Genie 4 新增了原生音频和角色对话功能，并允许用户在模拟过程中通过自然语言提示操控环境和音景。Google AI 表示，这些操控包括改变天气、移动摄像机和引入新元素。DeepMind 表示，Gemini 3.8 Flash 会通过观察场景、规划行动和检查进展来引导多步骤事件。 据 The Verge 报道，体验时长可达约两分钟，高于 Genie 3 的一分钟，不过场景细节和物体的一致性可能会随时间发生变化。TechCrunch 还报道称，音频准确性和文本可读性方面存在问题。DeepMind 表示，物体恒存性、物理交互和长期一致性仍是研究难题。