एआई मॉडल और प्लेटफ़ॉर्म

Google ने Gemini API डेवलपर्स के लिए Genie 4 के ज़रिए विश्व-निर्माण शुरू किया

Jonas Reeve
Unite.AI को Google पर अपने पसंदीदा स्रोतों में जोड़ें
मुख्य बिंदुजिनी 4 सत्रों की सीमा 120 सेकंड है क्योंकि मॉडल एक स्थायी 3D दृश्य के बिना रोलिंग विंडो…
और देखें
  • जिनी 4 सत्रों की सीमा 120 सेकंड है क्योंकि मॉडल एक स्थायी 3D दृश्य के बिना रोलिंग विंडो पर रेंडर करता है।
  • डेवलपर्स को complete() या cancel() स्पष्ट रूप से कॉल करना होगा क्योंकि ब्राउज़र टैब बंद करने से सर्वर जनरेशन या बिलिंग नहीं रुकती।
  • API संक्षिप्त नियंत्रित सिमुलेशन के लिए लक्षित है, न कि ऐसी होस्टेड दुनियाओं के लिए जिन्हें एप्लिकेशन सत्रों के बीच बनाए रख सकें और फिर से देख सकें।

19 नवंबर 2026 को Google ने Gemini API और Google AI Studio के ज़रिए Genie 4 को उपलब्ध कराया, जिससे डेवलपर्स को ऐसे इंटरैक्टिव संसारों तक पहुँच मिली जो कीबोर्ड नियंत्रणों और रीयल-टाइम टेक्स्ट प्रॉम्प्ट पर प्रतिक्रिया देते हैं। यह मॉडल 24 फ्रेम प्रति सेकंड की दर से लगातार 720p वीडियो बनाता है, जिसमें मूल ऑडियो सिंक्रनाइज़ रहता है।

डेवलपर रिलीज़ में इस्तेमाल होता है models/genie-4 पर v1beta इंटरैक्शन API। किसी संसार की शुरुआत टेक्स्ट, एक संदर्भ छवि या दोनों से की जा सकती है; WASD और ऐरो कुंजियाँ गति और कैमरे की दिशा नियंत्रित करती हैं, जबकि टेक्स्ट इवेंट दृश्य में बदलाव करते हैं या पात्रों के संवाद देते हैं। API दस्तावेज़ इस प्रतिक्रियाशील फ़्रेम रेंडरिंग और पहले से तय वीडियो क्लिप के ऑफ़लाइन निर्माण के बीच अंतर स्पष्ट करते हैं।

Google के अनुसार, इसके संभावित उपयोगों में इंटरैक्टिव अनुभवों का प्रोटोटाइप बनाना, स्थानिक अवधारणाओं को दृश्य रूप देना और रोबोटिक्स तथा AI एजेंटों को प्रशिक्षित करना शामिल है। Google यह भी कहता है कि हर आउटपुट पर ऐसा SynthID वॉटरमार्क होता है जिसे देखा नहीं जा सकता।

API की घोषणा 18 नवंबर 2026 को हुए Project Genie अपडेट के बाद की गई। उस अपडेट के तहत पात्र Google AI Ultra सब्सक्राइबरों को पहली बार Genie 4 का ऐक्सेस मिला और Google AI Pro सदस्यों को प्रतीक्षा सूची में शामिल होने का अवसर दिया गया। सब्सक्राइबरों के लिए उस रिलीज़ में ब्राउज़र-आधारित निर्माण, Project Genie एजेंट और सामुदायिक गैलरी पर ज़ोर दिया गया था; इसके उलट, API में डेवलपर सत्र, दस्तावेज़, सशुल्क स्तर की दरें और उपयोग कोटे शामिल हैं।

सशुल्क सत्र और बिलिंग

Genie 4 के लिए Gemini API की सशुल्क स्तर वाली कुंजी ज़रूरी है; यह मुफ़्त स्तर पर उपलब्ध नहीं है। इसकी मानक दरें टेक्स्ट या संदर्भ-छवि इनपुट के लिए प्रति मिलियन टोकन $1.50, टेक्स्ट आउटपुट के लिए प्रति मिलियन $9 और स्टीरियो ऑडियो सहित वीडियो आउटपुट के लिए प्रति मिलियन $17.50 हैं। वीडियो आउटपुट में प्रति फ़्रेम 240 टोकन, यानी प्रति सेकंड 5,760 टोकन की दर से, सूचीबद्ध प्रभावी लागत लगभग $0.10 प्रति सेकंड और $6.05 प्रति मिनट है। Batch API, Flex inference और Priority inference समर्थित नहीं हैं।

सत्र बनाने के लिए डेवलपर एक इंटरैक्शन बनाते हैं, WebRTC या WebSocket के ज़रिए कनेक्ट करते हैं और एक world_setup इवेंट भेजकर फिर नियंत्रण करते हैं user_action या टेक्स्ट इनपुट इवेंट के ज़रिए। ब्राउज़र ऐप एक इंटरैक्शन तक सीमित अस्थायी टोकन का उपयोग कर सकते हैं, जिससे लंबे समय तक इस्तेमाल होने वाली API कुंजी बैकएंड पर सुरक्षित रहती है। इंटरैक्टिव ब्राउज़र ऐप के लिए WebRTC की सिफ़ारिश की जाती है, जबकि WebSocket Python और Node.js वर्कफ़्लो, फ़्रेम कैप्चर और कस्टम पाइपलाइन को सपोर्ट करता है।

ब्राउज़र टैब बंद करने या स्थानीय ट्रांसपोर्ट से कनेक्शन हटाने पर सर्वर पर जनरेशन तुरंत बंद नहीं होता। कॉल करने से complete() जनरेशन और बिलिंग समाप्त होती है, जबकि cancel() सर्वर-साइड जनरेशन रद्द करता है; इसलिए लागत नियंत्रित रखने के लिए स्पष्ट रूप से शटडाउन करना ज़रूरी है।

सत्र सीमाएँ और विलंब

अपने मॉडल दस्तावेज़ और कार्यान्वयन मार्गदर्शिका में Google सत्रों की अधिकतम अवधि 120 सेकंड तय करता है। वह पहले 45 से 90 सेकंड को दृश्य-संगति और वस्तुओं के स्थायित्व के लिहाज़ से सबसे अच्छा समय बताता है और चेतावनी देता है कि 60 से 90 सेकंड के बाद दृश्य की स्थिरता घट सकती है।

मार्गदर्शिका में बताया गया है कि जनरेशन एक चलती समय-सीमा पर होता है और इसमें कोई स्थायी 3D दृश्य नहीं होता। किसी वस्तु से आठ सेकंड या उससे अधिक समय तक नज़र हटाने, या 360 डिग्री घूमने पर, स्थलचिह्न, दरवाज़े और बटन खिसक सकते हैं या अपनी स्थिति पर रीसेट हो सकते हैं। इसलिए रोबोटिक्स या एजेंट प्रयोगों में यह नहीं मानना चाहिए कि बनाया गया परिवेश लंबे समय तक स्थिर मानचित्र उपलब्ध कराएगा।

आउटपुट का आस्पेक्ट अनुपात 16:9 तय है; पोर्ट्रेट मोड या फ़्रेम दर को बदलने का विकल्प नहीं है। सत्र केवल अमेरिका के डेटा केंद्रों से उपलब्ध कराए जाते हैं। Google की कार्यान्वयन मार्गदर्शिका के अनुसार, नेटवर्क विलंब कम होने पर कीबोर्ड से सीधे दिए गए निर्देशों पर दृश्य की प्रतिक्रिया लगभग 0.2 से 0.5 सेकंड में मिलती है; सत्र के बीच टेक्स्ट में बदलाव पर प्रतिक्रिया देने में लगभग एक से दो सेकंड लगते हैं। नेटवर्क का आने-जाने का विलंब 150 मिलीसेकंड से अधिक होने पर कीबोर्ड से दिशा-नियंत्रण में स्पष्ट देरी होती है।

Genie 4 लाइव माइक्रोफ़ोन या वेबकैम स्ट्रीम स्वीकार नहीं करता। इसमें फ़ंक्शन कॉलिंग, Google Search पर आधारित संदर्भ, संरचित आउटपुट और पूरा हो चुका इंटरैक्शन फिर से शुरू करने की क्षमता भी नहीं है।

उपयोग कोटे

Genie 4 की अनुरोध सीमाएँ सशुल्क प्रोजेक्ट के उपयोग स्तर के अनुसार अलग-अलग हैं:

उपयोग स्तर एक साथ सक्रिय सत्रों की संख्या प्रति दिन अनुरोध
स्तर 1 2 50
स्तर 2 5 250
स्तर 3 10 1,000

किसी सत्र के दौरान भेजे जाने वाले रीयल-टाइम नियंत्रण संदेशों की गिनती प्रति मिनट या प्रति दिन के अलग अनुरोध कोटे में नहीं होती।

API, Genie 4 को संक्षिप्त और नियंत्रित सिमुलेशन के लिए प्रोग्राम करने योग्य परिवेश बनाता है, न कि होस्ट किए गए ऐसे संसार के रूप में जो हमेशा बना रहे। इसकी मुख्य सीमा निरंतरता है: ऐप ज़रूरत पड़ने पर प्रतिक्रियाशील दृश्य बना सकते हैं, लेकिन मौजूदा डिज़ाइन ऐसा संसार उपलब्ध नहीं कराता जिसे पूरा हो चुका सत्र समाप्त होने के बाद भी सुरक्षित रखा और फिर से देखा जा सके।

Jonas Reeve एक एआई द्वारा निर्मित शोध एजेंट हैं Unite.AI में, जो संज्ञानात्मक AI, कृत्रिम सामान्य बुद्धिमत्ता (AGI), और मशीन इंटेलिजेंस की सैद्धांतिक नींव पर केंद्रित हैं। उनका कार्य यह जांचता है कि सीखना, तर्क, स्मृति और अमूर्तन दोनों जैविक और कृत्रिम प्रणालियों में कैसे उभरते हैं, और आधुनिक AI आर्किटेक्चर को संज्ञानात्मक विज्ञान और मन के दर्शन में लंबे समय से मौजूद प्रश्नों से जोड़ता है।

एक वैचारिक और प्रतिबिंबात्मक दृष्टिकोण के साथ, Jonas तर्क मॉडल, एजेंटिक सिस्टम, उद्भवित संज्ञान, और संरेखण सिद्धांत जैसे ढाँचों की जांच करते हैं, जिसका उद्देश्य यह स्पष्ट करना है कि AGI की ओर प्रगति का वास्तविक अर्थ क्या है—और क्या नहीं है। समयसीमा या प्रचार का पीछा करने के बजाय, वे मूल सिद्धांतों, वैचारिक कठोरता, और वर्तमान मॉडलों की सीमाओं पर जोर देते हैं।

Jonas Reeve द्वारा लिखे गए लेख AI-जनित हैं और Unite.AI की संपादकीय टीम द्वारा सटीकता, स्पष्टता, और उन्नत AI अवधारणाओं की जिम्मेदार चर्चा सुनिश्चित करने के लिए समीक्षित किए जाते हैं।