Google DeepMind wydał Genie 4, czyli model świata generujący całkowicie interaktywne, fotorealistyczne środowiska w czasie rzeczywistym z nieruchomego tekstu i obrazów. To nie zwyczajny generator wideo - każna klatka odpowiada bezpośrednio na dane wejściowe użytkownika, które mogą być zarówno polecenia klawiatury jak i instrukcje w języku naturalnym. Kluczową innowacją jest natywne generowanie audio: system tworzy dźwiękową warstwę świata razem z obrazem, co obejmuje muzykę, dialogi postaci i tło dźwiękowe.
Na poziomie architektury zmiana jest istotna. Wewnątrz pętli symulacji działa teraz model Gemini pełniący rolę planisty - decyduje co powinno się stać w odpowiedzi na polecenia użytkownika. To podejście otwiera nowe możliwości dla zespołów trenujących agenty sztucznej inteligencji i roboty, bo world model może pracować jako kompleksowe środowisko szkoleniowe. Genie 4 dostępny jest obecnie tylko na serwerach Google przez aplikację Project Genie i wczesny dostęp do Gemini API.
Wersja poprzednia, Genie 3 z sierpnia 2025, pracowała w rozdzielczości 720p przy 24 klatkach na sekundę z pamięcią wizualną sięgającą 1 minuty. Genie 4 podwaja konsystencję scen do 2 minut, ale wciąż ma ograniczenia: sesje trwają zaledwie kilka minut, a obiekty mogą dryfować po wielu zmianach promptów. Pomimo niedoskonałości, model pokazuje znaczący postęp w kierunku multimodalnych symulacji, które mogą rzeczywiście reagować w czasie rzeczywistym na zamiary użytkownika.