Google DeepMind lanserar världsmodellen Genie 4 som forskningsförhandsversion

Google DeepMind presenterade Genie 4, sin nya världsmodell för interaktiv simulering i realtid, den 27 oktober 2026 och släppte den som forskningsförhandsversion för betrodda testare.

I tillkännagivandet, som skrevs av Raia Hadsell, Diego Rivas och Hang Qi, beskrivs Genie 4 som multimodal från grunden. Musik, omgivningsljud och interaktiv dialog genereras samtidigt som den simulerade världen. DeepMind säger att modellen ”möjliggör oöverträffad realism och förbättrar interaktiv simulering i realtid” och erbjuder mer fotorealistisk återgivning, mjukare rörelser och inbyggt ljud. Ljudet i demonstrationerna har genererats direkt av modellen.

Modellen införlivar och bygger vidare på förmågor från Gemini-familjen. Gemini Omni förankrar simuleringarna i den verkliga världens utseende och beteende, medan andra Gemini-modeller bidrar med det komplexa resonemang som behövs för att hjälpa till att upprätthålla simuleringens sammanhang och kontinuitet. Med den grunden kan användaren sätta en händelse i rörelse, och Genie 4 simulerar vad som händer sedan: hur världen reagerar, hur den låter och hur människorna i den rör sig, reagerar och talar.

DeepMind beskriver förståelse och simulering av världen som en avgörande del av utvecklingen av AGI. Företaget säger att Genie 4 stärker dess förmåga att skapa säkra, oändligt varierande simuleringar som kan användas som träningsmiljöer för robotar och agenter, liksom för att skapa nya interaktiva upplevelser.

Fyra förmågeområden

DeepMinds demonstrationer är inspelningar av interaktioner i realtid där användare navigerar i världar med vanliga tangentbordskontroller och en kamera, och styr scenen med textinstruktioner medan den utvecklas. Den första dokumenterade förmågan är styrning i realtid: användaren kan ändra en pågående simulering med naturligt språk genom att ändra vädret, flytta kameran eller lägga till en person eller ett föremål. Gemini anpassar då instruktionen efter sammanhanget så att den passar in i den omgivande scenen. Mellan användarens inmatningar övervakar och styr Gemini också scenen för att hålla världens utveckling sammanhängande.

När det gäller fysik och mänskligt handlande säger DeepMind att Genie 4 innebär en ny realismstandard för interaktiv simulering i realtid och modellerar fysikaliska förhållanden i den verkliga världen, till exempel aerodynamik och kollisioner. Företaget beskriver simuleringen av människor som det största framsteget: karaktärer rör sig naturligt, reagerar på ett organiskt sätt på sin omgivning och kan styras interaktivt i realtid.

DeepMind beskriver Genie 4 som företagets första världsmodell i realtid som genererar ljud direkt. Varje värld har omgivningsljud som passar dess miljö, från vinden i träden till vågor som slår mot stranden. Modellen introducerar också interaktiv dialog som anpassas i stunden, där karaktärer samtalar och reagerar på användarens inmatningar eller händelser i världen, allt i realtid.

Vid komplexa händelser med flera steg fungerar Gemini 3.8 Flash som en vägledande agent i processen. Medan Genie 4 genererar en värld i realtid observerar Gemini kontinuerligt scenen, delar upp målen i en följd av steg och granskar inkommande bildrutor för att kontrollera att varje steg har lyckats. Gemini anpassar sin plan när världen förändras eller användaren ingriper. DeepMind säger att detta möjliggör världar med tillförlitliga orsakssamband, procedurstyrda beteenden och resonemang i flera steg.

Företaget har också experimenterat med Gemini 4 Argon och Genie 4 tillsammans med Gemini Robotics. I ett dokumenterat exempel delar Argon upp en uppgift som användaren har angett i steg, vilka visas växelvis som texttexter medan simuleringen renderas. De två systemen simulerar Apptroniks humanoidrobot Apollo när den spelar dam, och simuleringen anpassas medan uppgiften fortskrider mot målet.

Betrodda testare och framtida arbete

DeepMind beskriver Genie 4 som en viktig forskningsmilstolpe, men betonar att modellen fortfarande är tidig och experimentell. Företaget har arbetat med grupper av betrodda testare inom kreativa branscher, journalistik, utbildning, spel och teknik. Enligt företaget testar filmskapare Genie 4 som ett snabbt ”utkastläge” för förvisualisering och idéutveckling. De kliver in i en simulering av en scen i realtid och gör flera tagningar medan de justerar kameravinklar, ljussättning, dialog och handling. Bildjournalister undersöker hur ett enda arkivfotografi i 2D på några sekunder kan omvandlas till en verklighetsförankrad simulering av miljön. Team testar också hur befolkade, dynamiska världar kan hjälpa publiken att uppleva historiska platser eller se framför sig hur kortvariga miljöhändelser, som plötsliga översvämningar eller skogsbränder, utvecklas.

Spelutvecklare och kreativa tekniker testar om de kan gå från en första idé till en utforskbar prototyp på några sekunder. Med hjälp av instruktioner på naturligt språk undersöker de visuella stilar, materialens estetik och interaktiva mekanismer innan de skriver motorkod. Företagspartner utvärderar Genie 4 som ett verktyg för snabb generering av scenarier från grunden och identifierar brister som DeepMind skulle kunna åtgärda för att bättre möta behoven inom simulering.

Framöver ser DeepMind hybrida världsmodeller som en lovande väg till fortsatta framsteg: system som kombinerar den logiska, strukturerade slutledningsförmågan hos kod- och språkmodeller med den innehållsrika, sinnesbaserade representationen i pixelbaserad simulering. I det här arbetssättet kartlägger Gemini strukturen och planerar berättelsens tidslinje i bakgrunden, medan Genie genererar den omedelbara fysiska verkligheten och återger pixel för pixel hur världen ser ut, låter och reagerar.

Säkerhet, begränsningar och tillgänglighet

DeepMind uppger att Genie 4 har strikta säkerhetsbarriärer som följer företagets säkerhetspolicyer för andra modeller, och att modellen genomgick interna säkerhetsutvärderingar före förhandsversionen för att förhindra att skadligt eller illvilligt innehåll genereras. Företaget säger att det medvetet först lanserade Genie 4 för betrodda testpartner för att samla in tidig återkoppling. Allt bild- och ljudmaterial som genereras av Genie 4 kommer att innehålla SynthID, DeepMinds omärkliga digitala vattenmärkningsteknik för att identifiera AI-genererat innehåll i både bild och ljud.

När det gäller begränsningar uppger DeepMind att Genie 4 visserligen kan upprätthålla sammanhängande miljöer under kortare sessioner, men att visuella detaljer och objektens beständighet fortfarande kan förändras eller glida över tid, särskilt när en simulering pågår längre, efter flera komplexa ändringar i prompten eller när man rör sig genom en scen. Komplexa fysiska interaktioner, ljudprecision i realtid, återgivning av läsbar text, rumslig precision och långsiktig konsekvens är fortfarande områden som forskningen arbetar vidare med.

Genie 4 efterträder Genie 3, som DeepMind presenterade den 5 augusti 2025 och beskrev som företagets första världsmodell som möjliggjorde interaktion i realtid. Genie 3 genererade dynamiska världar som användarna kunde navigera i med 24 bildrutor per sekund, med bibehållen konsekvens i några minuter vid en upplösning på 720p. Modellen släpptes som en begränsad forskningsförhandsversion för en liten grupp akademiker och kreatörer.

DeepMind uppger att Genie 4 snart blir tillgängligt för Google AI Ultra-prenumeranter i Project Genie och för partner med tidig åtkomst via Gemini API och Google AI Studio. Väntelistan för Genie 4 i Project Genie är öppen.