Google DeepMindは10月27日、世界モデルGenie 4を発表した。リアルタイムで操作できるシミュレーションで、映像に合わせて音楽、環境音、人物の対話を同時に生成する。移動とカメラはキーボード、場面の変更はテキストで行い、天候や人物、物体を実行中に足せる。同社のリアルタイム世界モデルとして、音声をネイティブに生成するのはGenie 4が初めてだと説明している。
見た目と振る舞いの土台はGemini Omniが担い、一貫性のための推論は他のGeminiモデルが担う。複雑な手順ではGemini 3.8 Flashが案内役としてループに入り、場面を観察して目標を手順に分け、届いたフレームで各手順の成功を確認する。利用者が介入すれば、その場で計画を変える。ロボット研究ではGemini 4 Argonと組み合わせ、Apptronikの人型ロボットApolloがチェッカーをする様子を、手順に分解しながら描く実験も示している。
DeepMindは、エージェントやロボットを実世界へ出す前に、条件を変えられる訓練環境として使う狙いを挙げている。テスターには映像、ゲーム、報道、教育、エンジニアリングの団体が含まれ、エンジンのコードを書く前に見た目と操作を言語で試す用途も検証している。生成された映像と音声には、同社の電子透かしSynthIDが入る。安全評価を経て、まず信頼できるテスターへ限定している。
一般の開発者がすぐ呼べるAPIではない。Google AI UltraのProject Genieと、Gemini APIおよびGoogle AI Studioの早期アクセスパートナーへの提供はこれからで、待ちリストが案内されている。短いセッションでは場面を保てる一方、長く動かす、複雑なプロンプトを重ねる、場面の中を移動すると、見た目や物体の永続性がずれる。複雑な物理、リアルタイム音声の正確さ、読める文字、空間の正確さ、長期の一貫性は研究中だと明記されている。採用判断は、待ちリストの案内とこの限界をセットで見る段階である。