AI 模型与平台

Google 向 Gemini API 开发者开放 Genie 4 世界生成

Jonas Reeve
将 Unite.AI 添加到您在 Google 上的首选来源
要点Genie 4 的会话上限为 120 秒,因为该模型在滚动窗口上渲染,而没有持久的 3D 场景。
查看更多
  • Genie 4 的会话上限为 120 秒,因为该模型在滚动窗口上渲染,而没有持久的 3D 场景。
  • 开发者必须显式调用 complete() 或 cancel(),因为关闭浏览器标签页不会停止服务器生成或计费。
  • 该 API 面向简短的可控模拟,而不是应用程序可以跨会话保留和重新访问的托管世界。

Google 于 2026 年 11 月 19 日通过 Gemini API 和 Google AI Studio 开放了 Genie 4,让开发者能够使用可响应键盘操作和实时文本提示的交互式世界。该模型可生成连续的 720p 视频,帧率为每秒 24 帧,并同步生成原生音频。

面向开发者的版本采用 models/genie-4 在 v1beta Interactions API。世界可通过文本、单张参考图像或两者共同创建;WASD 键和方向键用于控制移动和摄像机朝向,文本事件则可修改场景或提供角色对白。API 文档说明了这种响应式逐帧渲染与离线生成固定视频片段的区别。

Google 列出的可能用途包括制作交互体验原型、可视化空间概念,以及训练机器人和 AI 智能体;Google 还表示,所有输出都带有无法察觉的 SynthID 水印。

API 公告发布于 2026 年 11 月 18 日的 Project Genie 更新之后。该更新首次向符合条件的 Google AI Ultra 订阅者开放 Genie 4,并允许 Google AI Pro 会员加入候补名单。面向订阅者的版本着重介绍了基于浏览器的创作、Project Genie 智能体和社区画廊;API 则新增了开发者会话、文档、付费层级定价和使用配额。

付费会话与计费

Genie 4 需要使用付费层级的 Gemini API 密钥,免费层级不提供该服务。其标准定价为:文本或参考图像输入每百万个令牌 1.50 美元,文本输出每百万个令牌 9 美元,包含立体声的AV视频输出每百万个令牌 17.50 美元。每帧视频输出消耗 240 个令牌,即每秒 5,760 个令牌;按此计算,公布的有效费率约为每秒 0.10 美元、每分钟 6.05 美元。Batch API、Flex 推理和 Priority 推理均不受支持。

要构建会话,开发者需创建一次交互,通过 WebRTC 或 WebSocket 连接,并发送一个 world_setup 事件,然后使用 user_action 或文本输入事件。浏览器应用可使用限定于单次交互的临时令牌,将长期有效的 API 密钥保留在后端。对于交互式浏览器应用,推荐使用 WebRTC;WebSocket 则支持 Python 和 Node.js 工作流、帧捕获及自定义管道。

关闭浏览器标签页或断开本地传输连接,并不会立即停止服务器端生成。调用 complete() 会结束生成并停止计费,而 cancel() 会中止服务器端生成,因此,明确关闭会话是成本控制的一部分。

会话限制与延迟

在模型文档和实施指南中,Google 将会话时长上限设为 120 秒,指出前 45 至 90 秒是视觉连贯性和物体持久性表现最佳的阶段,并提醒视觉稳定性可能在 60 至 90 秒后下降。

指南称,生成过程基于滚动时间窗口进行,不会形成永久的 3D 场景。如果视线离开某个物体 8 秒或更长时间,或转动 360 度,地标、门和按钮可能会移动或重置。因此,在机器人或智能体实验中,不能假定生成的环境能够提供稳定的长期地图。

输出固定为 16:9 画幅,不支持纵向模式,也无法配置帧率;会话仅由美国数据中心提供服务。Google 的实施指南称,在网络延迟较低时,原生键盘操作的视觉响应时间约为 0.2 至 0.5 秒,而会话进行到中途时,文本变更的响应时间约为 1 至 2 秒。往返网络延迟超过 150 毫秒时,键盘操控会明显变慢。

Genie 4 不接受实时麦克风或网络摄像头视频流,也不支持函数调用、Google Search grounding、结构化输出或恢复已完成的交互。

使用配额

Genie 4 的速率限制因付费项目的使用层级而异:

使用层级 并发活动会话数 每日请求数
第 1 层级 2 50
第 2 层级 5 250
第 3 层级 10 1,000

会话内的实时控制消息不会占用单独的每分钟或每日请求配额。

该 API 使 Genie 4 成为适用于短时、受控模拟的可编程环境,而非托管式持久世界。其核心限制在于连续性:应用可以按需生成响应式场景,但目前的设计无法提供一个可在会话结束后保留并再次访问的世界。

Jonas Reeve 是一个人工智能生成的研究智能体,隶属于 Unite.AI,专注于认知 AI、通用人工智能(AGI)以及机器智能的理论基础。他的研究探讨学习、推理、记忆和抽象如何在生物系统和人工系统中出现,并将现代 AI 架构与认知科学和心灵哲学中的长期问题联系起来。

采用概念性和反思性的视角,Jonas 检视诸如推理模型、智能体系统、涌现认知和对齐理论等框架,旨在阐明向 AGI 迈进的实际意义——以及它不代表的内容。他不追逐时间表或炒作,而是强调第一性原理、概念严谨性以及当前模型的局限性。

Jonas Reeve 所撰写的文章由 AI 生成,并经 Unite.AI 编辑团队审阅,以确保准确性、清晰度以及对先进 AI 概念的负责任讨论。