Genie 4 на Google DeepMind придава модерен облик на дизайни на агенти, предхождащи LLM

Genie 4 трябва да симулира интерактивни светове в реално време, включително звук и говорещи персонажи. Моделите Gemini планират във фонов режим какво ще се случи след това в симулацията. Засега моделът на света може да бъде изпробван само от избрани тестери.

Google DeepMind представи Genie 4, наследника на Genie 3, който компанията показа през август 2025 г. Моделът на света не създава готови видеоклипове, а изчислява сцената кадър по кадър, като реагира на подадените команди в движение. Потребителите се придвижват в сцената с клавиатурата и управляват събитията чрез текстови подкани.

Според DeepMind Genie 4 е първият модел на света на компанията, който генерира звук директно. Компанията твърди, че всеки свят има собствен фонов звук, например шум от вятър в дърветата. Genie 4 обработва и диалози, като персонажите би трябвало да разговарят помежду си и да реагират в реално време на действията на потребителя или на събитията.

DeepMind вижда най-голямото подобрение в реализма в начина, по който моделът визуализира хората. Очаква се персонажите да се движат естествено и да реагират на заобикалящата ги среда, а потребителите да могат да ги управляват директно.

Моделите Gemini планират предварително, за да поддържат целостта на света

Според DeepMind Genie 4 надгражда възможностите на видеомодела Gemini Omni, така че светът да изглежда и да се държи реалистично. Други модели Gemini помагат за планирането на симулацията, за да остане тя последователна.

Ако потребител промени времето с текстова подкана, Gemini би трябвало да адаптира инструкцията към текущата сцена. DeepMind казва, че Gemini също управлява събитията между отделните входни команди, така че светът да продължи да се развива по логичен начин.

DeepMind обяснява процеса чрез многоетапни задачи. Gemini 3.8 Flash наблюдава сцената непрекъснато, разделя целта на стъпки и използва новите кадри, за да провери дали всяка стъпка е изпълнена успешно. Ако светът се промени или потребителят се намеси, моделът коригира плана си.

DeepMind също тества Gemini 4 Argon, за да свърже работата си по Genie с изследванията си в областта на роботиката — Gemini Robotics. В една демонстрация Argon разделя задачата по игра на дама на отделни стъпки. Genie 4 получава тези стъпки като текстови инструкции и ги използва, за да симулира как хуманоидният робот Apollo на Apptronik играе, без да е необходим реален робот.

По-дългите сесии все още затрудняват модела

DeepMind определя Genie 4 като ранен експериментален модел. Според компанията светът остава последователен в кратки сесии, но визуалните детайли могат да се променят, а обектите не винаги се запазват при по-дълги симулации или след няколко сложни промени в подканите.

DeepMind казва, че все още изследва сложните физически взаимодействия, точния звук в реално време и четимия текст.

Засега Genie 4 е достъпен само за избрани тестери като изследователска предварителна версия. Скоро се очаква да бъде достъпен за абонатите на Google AI Ultra в уеб приложението Project Genie, както и за партньори с ранен достъп до Gemini API и Google AI Studio.

Google казва, че всички видеоклипове и аудиозаписи ще съдържат воден знак SynthID, който невидимо обозначава съдържанието, генерирано от изкуствен интелект.

След като достигнат зрялост, моделите на света биха могли да служат като среди за обучение, в които роботите и ИИ агентите се учат от симулиран опит, вместо само от данни. DeepMind вижда съчетаването на Gemini с Genie като ранен етап към хибридни модели на света, които комбинират способността за разсъждение на езиковите модели и моделите за код със симулация на ниво пиксел.

Новини за ИИ без сензации – подбрани от хора

Абонирайте се за THE DECODER и получете четене без реклами, седмичен бюлетин за ИИ, нашия ексклузивен годишен доклад за водещите технологии „AI Radar“, публикуван шест пъти годишно, пълен достъп до архива и достъп до секцията за коментари.