北京时间10月28日凌晨（当地时间10月27日），Google DeepMind发布新一代世界模型Genie 4，官方称其为「迄今为止最逼真、交互性最强的世界模型」。 多家科技媒体在报道中把这一代的价值概括为一句话创造可交互虚拟世界，首次实现音视频同步生成。 谷歌CEO皮查伊同步在X上站台，强调它能实时驾驭动态环境、生成与场景匹配的原生音频，并借助Gemini的推理完成更连贯的多步骤事件。 说白了，AI生成的不再是一段只能看的视频，而是一个能走进去的世界。36氪网易知乎
告别单向播放：分水岭在哪
过去看AI生成影像，用户隔着屏幕当观众，提示词提交那一刻结果就已定稿；世界模型必须实时回答另外一类问题——你向左走视野怎么变、有人推倒桌上的物体接下来会怎样、走开再回来那栋楼还在不在。前者叫动作条件生成，后者叫世界状态一致性，这两件事决定了场景是"能看"还是"能玩"。早在2025年，Genie 3就已实现每秒24帧、720p分辨率的实时交互生成。36氪
而这一次，Genie 4把单次生成的交互体验上限从上一代的1分钟拉到约2分钟。 更直观的增量是声音：生成世界的同时，音乐、环境音和交互式对话由模型原生产出，而不是后期配音。36氪知乎
实测数据：30秒造世界，平均24帧、最低掉到17
普通用户暂时还玩不到，但提前拿到测试权限的人已经给出了可量化的结果。a16z合伙人Justine Moore晒出实机画面：仅凭一条起始提示词就生成环境与角色的完整世界，创建世界通常不到30秒，随后是约2分钟的实时交互窗口。 她操控潜水员在堆满金币的洞穴里行走，随手输入指令修改天气、移动镜头、加入角色，场景实时响应且不中断。36氪
画面右上角的帧率面板留下了具体数字：当前24.6 FPS，平均23.8，最低17——意味着激烈动作时会有可感知的掉帧，"实时"仍有代价。 官方骑龙穿越群山的演示则最能说明"告别单向播放"的含义：提示词设定时速140公里，画面左下角摆着WASD按键提示，巨龙振翅的轰鸣、高空气流的呼啸和远处火山声全部由模型当场生成，玩家确实是在"操作"这个场景，而非回放一段成片。36氪
两个大脑：Gemini负责思考，Genie负责生成
这代升级的本质不是"再训练一个更强的生成模型"，而是往世界模型里接入了一个会看画面的导演。谷歌称，Genie 4融合了Gemini系列模型的能力：Gemini Omni让模拟环境的外观和行为贴近现实，其他Gemini模型提供复杂推理，维持世界的连贯性。知乎
实时运行时，Gemini负责思考，Genie负责生成：Gemini 3.8 Flash充当循环中的引导Agent，持续观察新生成的画面，把用户目标拆成步骤、逐帧核验是否完成，世界一旦变化就当场改写计划。知乎
谷歌还在探索让规划能力更强的大模型直接调度世界模型：Gemini 4 Argon把任务拆成文字指令逐步传给Genie 4，模拟Apptronik的Apollo人形机器人下跳棋，谷歌称这条路线为混合世界模型。 这也是机器人和具身智能圈子比影视圈更兴奋的原因：Agent理论上可以先在模拟世界里试错，再把方案带回现实。知乎
边界：2分钟既是卖点，也是当前天花板
部分开发者看完演示后形容它像"置身片场"：主创可以进入一个实时模拟场景，连续运行多次"拍摄"，并即时调整摄像机角度、灯光、对白和动作。 但对游戏和影视行业来说，这条2分钟的线目前既是卖点也是天花板：它足够开发者验证一段玩法是否成立、让主创预演一组镜头，远不足以支撑一款完整游戏。物理模拟同理，模型能表现空气动力学和碰撞效果，但那是从数据里"学"出来的规律性结果，不是精确计算，走开再回头物体是否还在原处，恰恰是当前世界模型最容易穿帮的地方。知乎
谷歌自己也明确标注，Genie 4仍处于研究预览阶段，长期运行中的细节漂移、复杂物理交互和空间准确性仍待改善。知乎
社区里也有冷静的声音。一位逐句研读官方发布内容的技术博主指出，官方几乎没有给出可复现的性能数字，没有分辨率、没有帧率、没有生成时长，连一段不受剪辑控制的完整演示都没有，并据此推测这一代的真实增益主要是"更长、更稳、加了声音"。 这类质疑与媒体报道的官方口径存在出入，恰恰说明在更大范围实测开放之前，"物理被写进世界模型"的叙事仍需保留判断。知乎
现在谁能玩上，接下来看什么
Genie 4目前只面向少量受信任测试者开放研究预览，后续将逐步提供给Google AI Ultra订阅用户，以及Gemini API、Google AI Studio的早期合作伙伴。 换句话说，网上任何声称"现已开放试玩"的说法目前都没有官方依据。接下来值得盯三个信号：单次运行时长能否从2分钟继续往上翻；走开再回头，场景能否保持原样；向订阅用户开放后，实测帧率与掉帧是否稳定。这三个问题都有答案之日，才是"单向播放"真正翻篇之时。36氪
