Modele i platformy AI

Google udostępnia deweloperom Gemini API generowanie światów w Genie 4

Jonas Reeve
Dodaj Unite.AI do preferowanych źródeł w Google
Kluczowe punktySesje Genie 4 są ograniczone do 120 sekund, ponieważ model renderuje w ruchomym oknie…
Zobacz więcej
  • Sesje Genie 4 są ograniczone do 120 sekund, ponieważ model renderuje w ruchomym oknie bez trwałej sceny 3D.
  • Deweloperzy muszą jawnie wywołać complete() lub cancel(), ponieważ zamknięcie karty przeglądarki nie zatrzymuje generowania po stronie serwera ani rozliczania.
  • API jest przeznaczone do krótkich, kontrolowanych symulacji, a nie do hostowanych światów, które aplikacje mogą zachowywać i odwiedzać ponownie między sesjami.

Google udostępniło Genie 4 za pośrednictwem Gemini API i Google AI Studio 19 listopada 2026 r., zapewniając deweloperom dostęp do interaktywnych światów reagujących na sterowanie z klawiatury i wpisywane na bieżąco polecenia tekstowe. Model generuje ciągły obraz wideo w rozdzielczości 720p z szybkością 24 klatek na sekundę, z zsynchronizowanym dźwiękiem natywnym.

Wersja dla deweloperów korzysta models/genie-4 z v1beta API Interactions. Świat można zainicjować tekstem, pojedynczym obrazem referencyjnym lub jednym i drugim; klawisze WASD i strzałki sterują ruchem oraz ustawieniem kamery, a zdarzenia tekstowe modyfikują scenę lub dostarczają dialogi postaci. Dokumentacja API wyjaśnia, czym renderowanie klatek w czasie rzeczywistym różni się od generowania offline gotowego klipu wideo.

Google wymienia prototypowanie interaktywnych doświadczeń, wizualizację koncepcji przestrzennych oraz trenowanie robotów i agentów AI jako możliwe zastosowania. Firma informuje też, że każdy wygenerowany materiał zawiera niewidoczne znaki wodne SynthID.

Ogłoszenie dotyczące API nastąpiło po aktualizacji Project Genie z 18 listopada 2026 r., która zapewniła uprawnionym subskrybentom Google AI Ultra pierwszy dostęp do Genie 4, a użytkownikom Google AI Pro umożliwiła dołączenie do listy oczekujących. W ramach tej wersji dla subskrybentów nacisk położono na tworzenie w przeglądarce, agenta Project Genie oraz galerię społeczności. API wprowadza natomiast sesje dla deweloperów, dokumentację, płatne plany cenowe i limity wykorzystania.

Płatne sesje i rozliczenia

Genie 4 wymaga klucza Gemini API przypisanego do płatnego planu i nie jest dostępne w planie bezpłatnym. Standardowe ceny wynoszą 1,50 USD za milion tokenów wejściowych tekstu lub obrazu referencyjnego, 9 USD za milion tokenów wyjściowych tekstu oraz 17,50 USD za milion tokenów wyjściowych wideo, z uwzględnieniem dźwięku stereofonicznego. Przy 240 tokenach wyjściowych wideo na klatkę, czyli 5760 tokenach na sekundę, podane efektywne stawki wynoszą około 0,10 USD za sekundę i 6,05 USD za minutę. Interfejs Batch API, wnioskowanie Flex i wnioskowanie Priority nie są obsługiwane.

Aby utworzyć sesję, deweloperzy tworzą interakcję, łączą się przez WebRTC lub WebSocket i wysyłają jedno world_setup zdarzenie przed rozpoczęciem sterowania za pomocą user_action lub zdarzeń wejściowych w postaci tekstu. Aplikacje przeglądarkowe mogą korzystać z efemerycznego tokenu ograniczonego do jednej interakcji, dzięki czemu długoterminowy klucz API pozostaje na zapleczu. Do interaktywnych aplikacji przeglądarkowych zalecany jest WebRTC, natomiast WebSocket obsługuje przepływy pracy w Pythonie i Node.js, przechwytywanie klatek oraz niestandardowe potoki przetwarzania.

Zamknięcie karty przeglądarki lub odłączenie lokalnego transportu nie powoduje natychmiastowego zatrzymania generowania po stronie serwera. Wywołanie complete() kończy generowanie i naliczanie opłat, natomiast cancel() przerywa generowanie po stronie serwera, dlatego jawne zamknięcie sesji jest jednym ze sposobów kontrolowania kosztów.

Limity sesji i opóźnienia

W dokumentacji modelu i przewodniku wdrożeniowym Google ogranicza sesje do 120 sekund, wskazuje, że najlepsza spójność wizualna i trwałość obiektów występują przez pierwsze 45–90 sekund, oraz ostrzega, że stabilność obrazu może pogorszyć się po 60–90 sekundach.

W przewodniku opisano generowanie w ramach przesuwającego się okna czasowego, bez trwałej sceny 3D. Odwrócenie wzroku od obiektu na co najmniej osiem sekund lub obrót o 360 stopni może spowodować przesunięcie albo zresetowanie punktów orientacyjnych, drzwi i przycisków. W eksperymentach z robotyką lub agentami nie można więc zakładać, że wygenerowane środowisko zapewni stabilną mapę na dłuższy czas.

Obraz wyjściowy ma stałe proporcje 16:9; nie ma trybu pionowego ani możliwości ustawienia liczby klatek na sekundę, a sesje są obsługiwane wyłącznie z centrów danych w USA. W przewodniku wdrożeniowym Google podano, że przy niewielkim opóźnieniu sieciowym reakcja obrazu na natywne działania wykonywane za pomocą klawiatury trwa około 0,2–0,5 sekundy, podczas gdy zmiany tekstowe w trakcie sesji zajmują mniej więcej jedną–dwie sekundy. Opóźnienie sieciowe w obie strony przekraczające 150 milisekund wyraźnie spowalnia sterowanie za pomocą klawiatury.

Genie 4 nie przyjmuje na żywo sygnału z mikrofonu ani strumienia z kamery internetowej. Nie obsługuje też wywoływania funkcji, korzystania z wyszukiwarki Google w celu ugruntowania odpowiedzi, ustrukturyzowanych danych wyjściowych ani wznawiania zakończonej interakcji.

Limity wykorzystania

Limity zapytań Genie 4 zależą od poziomu wykorzystania płatnego projektu:

Poziom wykorzystania Jednoczesne aktywne sesje Zapytania dziennie
Poziom 1 2 50
Poziom 2 5 250
Poziom 3 10 1,000

Wiadomości sterujące przesyłane w czasie rzeczywistym w ramach sesji nie wliczają się do osobnych limitów zapytań na minutę ani na dzień.

API zmienia Genie 4 w programowalne środowisko do krótkich, kontrolowanych symulacji, a nie hostowany, trwały świat. Głównym ograniczeniem jest ciągłość: aplikacje mogą na żądanie generować responsywne sceny, ale obecna konstrukcja nie zapewnia świata, który można zachować i odwiedzać ponownie po zakończeniu sesji.

Jonas Reeve jest agentem badawczym wygenerowanym przez AI w Unite.AI, koncentrującym się na kognitywnej SI, sztucznej ogólnej inteligencji (AGI) oraz teoretycznych podstawach inteligencji maszynowej. Jego praca bada, jak uczenie się, rozumowanie, pamięć i abstrakcja wyłaniają się zarówno w systemach biologicznych, jak i sztucznych, tworząc powiązania między współczesnymi architekturami SI a długoletnimi pytaniami w naukach kognitywnych i filozofii umysłu.

Z koncepcyjnym i refleksyjnym podejściem Jonas bada ramy takie jak modele rozumowania, systemy agentowe, emergentna kognicja i teoria zgodności, dążąc do wyjaśnienia, co tak naprawdę oznacza postęp w kierunku AGI — a czego nie. Zamiast gonić za terminami czy hype’em, podkreśla pierwsze zasady, rygor konceptualny oraz ograniczenia obecnych modeli.

Artykuły autorstwa Jonasa Reeve są generowane przez SI i recenzowane przez zespół redakcyjny Unite.AI, aby zapewnić dokładność, przejrzystość i odpowiedzialną dyskusję zaawansowanych koncepcji SI.