北京时间10月28日凌晨（美东时间10月27日），谷歌DeepMind发布新一代世界模型Genie 4，最长可实时运行约2分钟，并首次同步生成画面与声音。 但要回答"120秒生成效果谁更胜一筹"，得先对齐口径：Genie 4的120秒与国产AI视频的生成时长不是同一种秒数——前者是一个可以被用户走进去、边玩边改的交互世界的存续时间，后者是一段可直接交付的成片。若以交付成片论，可灵4.0、Seedance 2.5等国产第一梯队今天就能用、能出活，Genie 4还处在研究预览阶段根本不在牌桌上；若论"交互世界"这条新赛道，真正的国产对手是刚拿下英伟达大奖、用一张5090显卡就能本地实时运行的达瓦科技Scenes AI。华尔街见闻新智元
Genie 4的2分钟，到底是什么概念
Genie 4不是"按提示词吐一段视频"的视频生成模型：它根据文本指令构建可探索的虚拟环境，用户可以在模拟运行的过程中持续输入指令实时改变场景——把晴天切成暴雨、调整摄像机视角、往环境里加新角色，系统边运行边执行，而不是从头重生成一段独立视频。谷歌利用Gemini模型为模拟世界提供推理和规划能力，但据报道，其旗舰模型并非实时交互的实际载体，真正跑起来的是更轻量的Gemini 3.8 Flash——延迟比画质更决定这项技术能不能用。华尔街见闻
时长翻倍不等于世界变可靠。谷歌自己承认：随着模拟持续推进，画面细节和物体仍可能发生漂移，复杂物理互动、可读文字、长时间环境一致性都是未解决——越往后，"不出戏"越打折扣。 开放安排同样克制：目前仅向少量经过筛选的测试者开放，未来数周才轮到Google AI Ultra订阅用户，届时普通用户可以申请waiting list排队，开发者则通过Gemini API和AI Studio获得早期访问，所有生成内容都会嵌入SynthID水印。华尔街见闻新智元
换成"出片"口径，国产模型交的是另一种卷子
如果把题目改成"谁能稳定生成又长又真的成片"，答案完全不同。10月15日，快手旗下的可灵AI把新一代视频生成模型Kling 4.0正式全量开放，单次原生生成从15秒提升到30秒，支持4K与双通道立体声、10张关键帧，还能被AI Agent通过MCP直接调用。 字节跳动一侧，Seedance 2.5也在7月31日正式发布，单次生成最长约30秒，参考素材上限做到约50项，主打时间戳精修与长叙事，入口挂在即梦和豆包专业版。知乎知乎
第三方评测"虚眸"在10月27日发布的同题实测给出了两者的成色：可灵4.0在常规文戏和中低动态场景里，写实度、光影和稳定性已经跨过早期AI视频易穿帮的阶段，跻身行业第一梯队；但复杂测试暴露的失误集中在"关系"上——一拳打空打击音效却响起、扫腿搞混了执行者、跨场景合成出现图层割裂，而Seedance 2.5在多源素材融合、自主运镜和动作指令对应上更成熟，结尾音效也偶有混乱。 两家都是商业可用、按秒计费的产品：第三方工作台报价显示可灵1080P 30秒约450灵感值，Seedance活动页宣传低至约0.19元/秒、活动窗口约至10月26日，实际以各平台实时价为准。 在这个口径下Genie 4连竞品都算不上，而国产模型的30秒也不是输给了Genie 4的120秒——它们交付的是两种东西。虚眸知乎
真正和Genie 4同一条赛道的，是国产世界模型
10月15日，在NVIDIA创业企业展示苏州金鸡湖的半程活动上，来自重庆的达瓦科技凭借实时世界模型产品Scenes AI拿下"半程展示卓越企业奖"，本届赛事有580多家科创企业报名、最终30家入选。 它走的路线正面回应了Genie 4指向的问题——“视频是一个结果，世界是一个过程”：Scenes AI不预测下一帧，而是维护一个持续运行的世界状态，场景、人物、相机、灯光、物理各自是可读写的变量，变化发生时只更新状态增量，因此墙上写过的字在天气变了几轮后依然在原位。量子位
与Genie 4的云端生成不同，它的输入是普通摄像头拍到的真实空间，整套生成跑在本地一张RTX 5090上：模型总参数34B、每一步只激活约4B，激活比约11.8%；其连续编辑测试给出的口径是目标编辑成功率98.2%、人物身份保持率93.3%。 需要说明的是，这些数据来自企业演示与媒体采访报道，尚没有第三方以Genie 4"2分钟模拟时长"同样的口径做过独立对比测试，达瓦也未公开其世界持续运行时间的上限。量子位
用户现在该做什么判断
做视频交付的用户，今天就能用可灵4.0或Seedance 2.5开工，选型按"关系处理"和"素材融合"哪个更贴近自己的活来定，而不是看谁秒数大；想看Genie 4交互式世界的普通用户，短期只能等未来数周Google AI Ultra的开放节奏；至于"世界模型颠覆游戏行业"的担忧，现阶段它更接近影视预演、游戏原型和机器人训练的潜在生产力工具，能否改变行业的成本结构与竞争格局，取决于后续的模型稳定性、开发者采用和商业化进展。华尔街见闻
120秒对30秒，看似同题，实为两题。这轮对比真正值得记住的是：竞争焦点正从"生成一段更长的视频"转向"运行一个记得住状态的世界"，而在这条新赛道上，谷歌与国内团队几乎是在同一周各自交卷。
