外观
新闻MarkTechPost（RSS）（via AIHOT）今天
DeepMind发布Genie 4世界模型：Gemini 3.8 Flash闭环规划驱动具身仿真
Google DeepMind发布Genie 4实时世界模型，原生生成音频与对话。架构引入Gemini 3.8 Flash在仿真循环内执行目标拆解与帧校验，支持Apptronik Apollo人形机器人任务模拟，场景一致性时长较前代翻倍至2分钟。
Apptronik Apollo本文由 AI 根据公开内容整理，可能有误，请以原文为准：Meet Google DeepMind’s Genie 4: Real-Time World Model With Native Audio（MarkTechPost（RSS）（via AIHOT））
核心内容
Google DeepMind发布Genie 4研究预览版，这是首个原生生成环境音、音乐及角色对话的实时交互式世界模型。该系统支持文本与图像提示生成可探索环境，并通过键盘或自然语言实时操控事件。核心升级在于架构层面引入Gemini模型作为仿真循环内的规划器，相比Genie 3，其场景一致性保持时长从1分钟提升至2分钟，为智能体训练提供了更稳定的长时序仿真基座。
技术上采用混合世界模型架构：Gemini Omni锚定视觉外观，Gemini 3.8 Flash在Loop中执行解释提示、拆解目标、校验帧及重规划四步闭环。在机器人验证环节，系统接收文本指令并成功模拟了Apptronik Apollo人形机器人下棋任务。目前仅对可信测试者开放，虽存在长会话物体漂移问题，但已实现空气动力学、碰撞物理及人物动态反应的原生模拟，所有输出均嵌入SynthID水印。
关键看点
- 闭环规划架构：Gemini 3.8 Flash嵌入仿真循环，实时执行目标拆解、帧级校验与动态重规划，解决纯生成模型缺乏逻辑一致性问题
- 具身任务验证：成功模拟Apptronik Apollo人形机器人执行下棋任务，验证了文本指令驱动世界模型进行机器人策略预演的可行性
- 原生多模态生成：首次实现视觉与环境音、对话的同步原生生成，支持基于文本提示的实时天气变更、对象添加及镜头控制
- 性能与局限：场景一致性达2分钟（Genie 3两倍），但仍受限于数分钟交互时长，复杂编辑后存在物体漂移与文本渲染不准问题
工程与产业观察
Genie 4将LLM规划器嵌入世界模型仿真回路，标志着具身智能训练环境从“视频生成”向“可推理仿真”演进。其对Apollo机器人的任务模拟验证了该架构在Sim-to-Real链路中的潜力，尽管当前存在长时序漂移，但为构建高保真、语义可控的通用机器人大脑训练场提供了关键范式参考。
线索来源：AIHOT
来源
本页事实对应的公开页面，以原文为准。