Google DeepMind ने शोध पूर्वावलोकन में Genie 4 विश्व मॉडल पेश किया

Google DeepMind ने 27 अक्टूबर 2026 को Genie 4 की घोषणा की, जो वास्तविक समय में संवादात्मक सिमुलेशन के लिए उसका नया विश्व मॉडल है। इसे विश्वसनीय परीक्षकों के लिए शोध पूर्वावलोकन के रूप में जारी किया गया।

Raia Hadsell, Diego Rivas और Hang Qi द्वारा लिखी गई घोषणा में Genie 4 को मूल रूप से बहु-माध्यमीय बताया गया है। इसमें संगीत, परिवेशी ध्वनियाँ और इंटरैक्टिव संवाद—सिम्युलेटेड दुनिया के साथ-साथ—एक ही समय में उत्पन्न होते हैं। DeepMind का कहना है कि यह मॉडल “अभूतपूर्व यथार्थपरकता को संभव बनाता है और वास्तविक समय के इंटरैक्टिव सिमुलेशन को बेहतर करता है।” यह बेहतर फोटोरियलिज़्म, सहज गति और मूल रूप से ऑडियो उत्पन्न करने की क्षमता भी देता है। इसके प्रदर्शनों में सुनाई देने वाली ध्वनि सीधे मॉडल ने ही उत्पन्न की है।

यह मॉडल Gemini परिवार की क्षमताओं को शामिल करता है और उन्हें आगे बढ़ाता है। Gemini Omni सिमुलेशन को वास्तविक दुनिया के रूप-रंग और व्यवहार से जोड़ता है, जबकि अन्य Gemini मॉडल सिमुलेशन में तारतम्य और निरंतरता बनाए रखने में मदद के लिए आवश्यक जटिल तर्क क्षमता देते हैं। इस आधार के साथ, उपयोगकर्ता कोई घटना शुरू कर सकता है और Genie 4 उसके बाद होने वाली चीज़ों का सिमुलेशन करता है: दुनिया कैसी प्रतिक्रिया देती है, उसकी आवाज़ कैसी होती है, और उसमें मौजूद लोग कैसे चलते, प्रतिक्रिया करते और बोलते हैं।

DeepMind के अनुसार, दुनिया को समझना और उसका सिमुलेशन करना AGI बनाने का एक अहम पहलू है। कंपनी का कहना है कि Genie 4 सुरक्षित और असीम रूप से विविध सिमुलेशन बनाने की उसकी क्षमता को आगे बढ़ाता है। ये सिमुलेशन रोबोट और एजेंटों के प्रशिक्षण परिवेशों के साथ-साथ नए इंटरैक्टिव अनुभव तैयार करने में मदद कर सकते हैं।

क्षमता के चार क्षेत्र

DeepMind के प्रदर्शन ऐसे वास्तविक समय के इंटरैक्शन की रिकॉर्डिंग हैं जिनमें उपयोगकर्ता सामान्य कीबोर्ड नियंत्रणों और कैमरे की मदद से दुनिया में आगे बढ़ते हैं और उसके बदलते रहने के दौरान टेक्स्ट निर्देशों से दृश्य को नियंत्रित करते हैं। पहली दर्ज क्षमता वास्तविक समय का नियंत्रण है: उपयोगकर्ता चल रहे सिमुलेशन में प्राकृतिक भाषा के ज़रिए बदलाव कर सकता है—मौसम बदल सकता है, कैमरे को घुमा सकता है या किसी नए व्यक्ति अथवा वस्तु को जोड़ सकता है—और Gemini आसपास के दृश्य के संदर्भ के अनुसार निर्देश को ढालता है। निर्देशों के बीच Gemini दृश्य पर नज़र भी रखता है और उसे नियंत्रित करता है, ताकि दुनिया में घटनाएँ सहज रूप से आगे बढ़ती रहें।

भौतिकी और मानवीय गतिविधियों के मामले में DeepMind का कहना है कि Genie 4 वास्तविक समय के इंटरैक्टिव सिमुलेशन में यथार्थपरकता का एक नया मानक पेश करता है और वायुगतिकी तथा टक्करों जैसी वास्तविक दुनिया की भौतिक घटनाओं का मॉडल बनाता है। कंपनी के अनुसार, सबसे बड़ी प्रगति लोगों के सिमुलेशन में है: ऐसे पात्र जो स्वाभाविक ढंग से चलते हैं, अपने परिवेश के प्रति सहज प्रतिक्रिया देते हैं और वास्तविक समय में इंटरैक्टिव तरीके से नियंत्रित किए जा सकते हैं।

DeepMind Genie 4 को अपना पहला ऐसा वास्तविक समय का विश्व मॉडल बताता है जो मूल रूप से ऑडियो उत्पन्न करता है। हर दुनिया में उसके अपने परिवेश की ध्वनियाँ होती हैं—पेड़ों में बहती हवा से लेकर समुद्र तट पर टकराती लहरों तक। मॉडल में ऐसा इंटरैक्टिव संवाद भी है जो परिस्थिति के अनुसार तुरंत ढलता है। पात्र आपस में बातचीत करते हैं और उपयोगकर्ता के निर्देशों या दुनिया में होने वाली घटनाओं पर प्रतिक्रिया देते हैं—यह सब वास्तविक समय में होता है।

जटिल, कई चरणों वाली घटनाओं के लिए Gemini 3.8 Flash प्रक्रिया में मार्गदर्शक एजेंट की भूमिका निभाता है। Genie 4 जब वास्तविक समय में दुनिया बनाता है, तो Gemini लगातार दृश्य पर नज़र रखता है, लक्ष्यों को चरणों की एक शृंखला में बाँटता है और आने वाले फ़्रेमों की समीक्षा करके पुष्टि करता है कि हर चरण सफल रहा है। दुनिया में बदलाव होने या उपयोगकर्ता के हस्तक्षेप करने पर यह अपनी योजना भी ढालता है। DeepMind का कहना है कि इससे ऐसी दुनिया बनाना संभव होता है जिनमें कारण-कार्य संबंध विश्वसनीय हों, व्यवहार प्रक्रियात्मक ढंग से उत्पन्न हों और कई चरणों वाला तर्क शामिल हो।

कंपनी Gemini 4 Argon और Genie 4 के साथ Gemini Robotics का भी प्रयोग कर रही है। दर्ज किए गए एक उदाहरण में, Argon उपयोगकर्ता के निर्देश पर दिए गए कार्य को कई चरणों में बाँटता है, जो सिमुलेशन के रेंडर होने के दौरान टेक्स्ट कैप्शन के रूप में बारी-बारी से दिखाई देते हैं। दोनों सिस्टम Apptronik के ह्यूमनॉइड Apollo को चेकर्स खेलते हुए सिम्युलेट करते हैं और कार्य पूरा होने की दिशा में आगे बढ़ने के साथ सिमुलेशन भी ढलता रहता है।

विश्वसनीय परीक्षक और भविष्य का काम

DeepMind Genie 4 को शोध की एक बड़ी उपलब्धि मानता है, हालांकि यह अभी शुरुआती और प्रयोगात्मक मॉडल है। कंपनी रचनात्मक उद्योगों, पत्रकारिता, शिक्षा, गेमिंग और इंजीनियरिंग के विश्वसनीय परीक्षक समूहों के साथ काम कर रही है। कंपनी के अनुसार, फ़िल्मकार पूर्व-दृश्यांकन और विचार-विकास के लिए Genie 4 को तेज़ “प्रारूप मोड” के रूप में आज़मा रहे हैं। वे किसी दृश्य के लाइव सिमुलेशन में प्रवेश करके कैमरे के कोण, रोशनी, संवाद और गतिविधि में बदलाव करते हुए वास्तविक समय में कई टेक ले रहे हैं। फोटो पत्रकार यह देख रहे हैं कि एक ही 2D अभिलेखीय तस्वीर से कुछ ही सेकंड में उस परिवेश का वास्तविकता पर आधारित सिमुलेशन कैसे बनाया जा सकता है। टीमें यह भी जाँच रही हैं कि आबाद और गतिशील दुनिया दर्शकों को ऐतिहासिक स्थानों का अनुभव कराने या अचानक आने वाली बाढ़ और जंगल की आग जैसी अल्पकालिक पर्यावरणीय घटनाओं के घटित होने का दृश्य रूप दिखाने में कैसे मदद कर सकती हैं।

गेम डेवलपर और रचनात्मक प्रौद्योगिकी विशेषज्ञ यह जाँच रहे हैं कि क्या वे शुरुआती विचार से कुछ ही सेकंड में ऐसे प्रोटोटाइप तक पहुँच सकते हैं जिसमें खोजबीन की जा सके। वे इंजन कोड लिखने से पहले प्राकृतिक भाषा के निर्देशों के ज़रिए दृश्य शैलियों, सामग्री की बनावट और इंटरैक्टिव यांत्रिकी को परख रहे हैं। उद्यम क्षेत्र के साझेदार Genie 4 को शून्य से एक तक परिदृश्य तेज़ी से तैयार करने के साधन के रूप में परख रहे हैं और उन कमियों की पहचान कर रहे हैं जिन्हें दूर करके DeepMind सिमुलेशन की ज़रूरतों को बेहतर ढंग से पूरा कर सकता है।

आगे की प्रगति के लिए DeepMind हाइब्रिड विश्व मॉडलों को एक आशाजनक रास्ता मानता है: ऐसी प्रणालियाँ जो कोड और भाषा मॉडलों के तार्किक, सुव्यवस्थित तर्क को पिक्सेल-स्तरीय सिमुलेशन के समृद्ध, संवेदी निरूपण के साथ जोड़ती हैं। इस तरीके में, Gemini पर्दे के पीछे संरचना का मानचित्रण करता है और कथा की समयरेखा की योजना बनाता है, जबकि Genie तत्काल भौतिक वास्तविकता उत्पन्न करता है और पिक्सेल-दर-पिक्सेल दिखाता है कि दुनिया कैसी दिखती है, कैसी सुनाई देती है और कैसी प्रतिक्रिया करती है।

सुरक्षा, सीमाएँ और उपलब्धता

DeepMind का कहना है कि Genie 4 में अन्य मॉडलों के लिए तय उसकी सुरक्षा नीतियों के अनुरूप कड़े सुरक्षा उपाय शामिल हैं। हानिकारक या दुर्भावनापूर्ण सामग्री बनने से रोकने के लिए, पूर्वावलोकन जारी करने से पहले उसने आंतरिक सुरक्षा आकलनों के ज़रिए मॉडल का मूल्यांकन किया। कंपनी का कहना है कि शुरुआती प्रतिक्रियाएँ जुटाने के लिए उसने जानबूझकर Genie 4 को पहले भरोसेमंद परीक्षण साझेदारों के लिए उपलब्ध कराया। Genie 4 से बनाए गए सभी वीडियो और ऑडियो में SynthID शामिल होगा। यह DeepMind की अदृश्य डिजिटल वॉटरमार्किंग तकनीक है, जिससे दृश्य और ऑडियो, दोनों माध्यमों में AI से बनी सामग्री की पहचान की जा सकती है।

सीमाओं के बारे में DeepMind का कहना है कि Genie 4 छोटे सत्रों के दौरान परिवेश में तारतम्य बनाए रख सकता है, लेकिन समय के साथ दृश्य विवरण और वस्तुओं का स्थायित्व बदल या भटक सकता है। ऐसा खास तौर पर तब हो सकता है, जब सिमुलेशन अधिक समय तक चलता है, जटिल प्रॉम्प्ट में कई बदलाव किए जाते हैं या दृश्य में अलग-अलग जगहों पर जाया जाता है। जटिल भौतिक अंतःक्रियाएँ, वास्तविक समय के ऑडियो की सटीकता, पढ़ने योग्य पाठ का निरूपण, स्थानिक सटीकता और लंबे समय तक एकरूपता—ये सभी जारी शोध के सक्रिय क्षेत्र हैं।

Genie 4, Genie 3 का अगला संस्करण है। DeepMind ने Genie 3 की घोषणा 5 अगस्त, 2025 को की थी और इसे अपना पहला ऐसा विश्व मॉडल बताया था, जिसमें वास्तविक समय में अंतःक्रिया की जा सकती थी। Genie 3 ने गतिशील दुनिया बनाई, जिनमें उपयोगकर्ता 24 फ़्रेम प्रति सेकंड की गति से घूम सकते थे। ये दुनिया 720p रिज़ॉल्यूशन पर कुछ मिनटों तक एकरूपता बनाए रखती थीं। इसे शिक्षाविदों और रचनाकारों के एक छोटे समूह के लिए सीमित शोध पूर्वावलोकन के रूप में जारी किया गया था।

DeepMind का कहना है कि Genie 4 जल्द ही Project Genie में Google AI Ultra के ग्राहकों और Gemini API तथा Google AI Studio के शुरुआती पहुँच साझेदारों के लिए उपलब्ध होगा। Project Genie में Genie 4 के लिए प्रतीक्षा-सूची खुली है।