DeepMind оголошує Genie 4
27 жовтня 2026 року Google DeepMind оголосила Genie 4, світову модель, що в реальному часі породжує інтерактивний світ разом зі звуком: шумом довкілля, музикою й мовою персонажів. Світ можна змінювати текстовими командами на ходу, а моделі Gemini стежать за сценою і ведуть її крок за кроком. Поки це дослідницький показ для довірених тестувальників; для передплатників Google AI Ultra в Project Genie і партнерів раннього доступу в Gemini API та Google AI Studio модель «незабаром», є список очікування.
Чому це важливо
Genie 3 (серпень 2025) дала світ, яким можна ходити в реальному часі, і DeepMind пише, що Genie 4 — перша її світова модель реального часу, яка породжує звук сама, і додає до неї Gemini як ведучого: він розбиває ціль на кроки й перевіряє кадри. Це зсув від світу, який лише показують, до сцени, яку ведуть розмовою. Читач цього поки не може випробувати: оголошення описує показ, а не випуск.
Що каже допис. Модель «природно мультимодальна»: шум довкілля, музика й діалог породжуються одночасно зі світом. Gemini Omni «прив'язує» симуляцію до вигляду й поведінки реального світу, інші моделі Gemini дають міркування, потрібні для зв'язності. Названо чотири можливості: зміна світу природною мовою на ходу (погода, камера, нова людина чи річ); реалізм фізики (аеродинаміка, зіткнення) і рухів людей; власний звук, включно з діалогом, що підлаштовується до подій; Gemini 3.8 Flash як «ведучий агент у циклі», що дивиться на сцену, розбиває цілі на кроки й перевіряє, чи кожен вдався. У прикладі з робототехніки Gemini 4 Argon розбиває завдання на кроки, які йдуть у Genie 4 текстовими підписами; показано симуляцію, в якій гуманоїд Apollo компанії Apptronik грає в шашки. Тестувальники з кіно, фотожурналістики, ігор та підприємств називають чернетку сцени, перетворення архівної фотографії на середовище й прототип гри. Доступ. Дослідницький показ для довірених тестувальників; «незабаром» для передплатників Google AI Ultra в Project Genie і партнерів раннього доступу в Gemini API та Google AI Studio; є список очікування. Увесь відео- й аудіовихід несе SynthID. Обмеження за сторінкою моделі. Деталі й сталість об'єктів можуть «пливти», особливо в довгих сесіях і після кількох складних правок; точне відтворення реальних місць, читабельний текст (лише коли він є в описі світу), взаємодія кількох агентів і точність звуку — відкриті задачі; «кілька хвилин» безперервної взаємодії, а не довгі сеанси. Чого запис не стверджує. Допис не дає частоти кадрів, роздільності чи довжини сеансу, а Genie 3 згадує лише в навігації сайту: порівняння з нею в ньому немає. «Перша модель реального часу з власним звуком» — слова самої DeepMind, незалежного підтвердження на 28 жовтня знайдено не було, а допис вийшов за день до цього запису. Відео й звук на сторінці не відтворювалися. Дані про тестувальників і їхні застосування — самооцінка компанії.