Google DeepMind ha lanzado Genie 4 como una versión preliminar de investigación para probadores de confianza. El modelo mundial de Genie 4 genera mundos explorables a partir de prompts de texto y imágenes en tiempo real. También genera el paisaje sonoro: ruido ambiental, música y diálogos de personajes. Los usuarios se mueven mediante controles del teclado y guían los eventos con prompts en lenguaje sencillo. El cambio más importante es arquitectónico: un modelo Gemini ahora funciona dentro del bucle de simulación como planificador. Esa característica es importante para cualquiera que construya entornos de entrenamiento para agentes o robots.
TL;DR
- Funciona en: Solo en hosting de Google (aplicación web Project Genie, acceso anticipado a la API Gemini).
- Rendimiento: Mundos fotoreales con audio nativo y texto en tiempo real.
- Mejor: Consistencia de escena durante hasta 2 minutos, doble Genie 3, según la información de TechCrunch.
- Peor: las sesiones duran unos minutos, y los objetos se desvían después de ediciones repetidas del prompt.
¿Qué es Genie 4?
Genie 4 es un modelo de mundo desarrollado por Google DeepMind que simula entornos interactivos cuadro por cuadro. No es un generador de clips de vídeo. Cada cuadro responde a la entrada del usuario tan pronto como llega.
DeepMind afirma que el modelo es nativamente multimodal. El audio, la música y el diálogo se generan junto con las imágenes. Es el primer modelo del mundo en tiempo real de DeepMind que genera audio de manera nativa.
Tiene éxito Genie 3, anunciado en agosto de 2025. Genie 3 funcionaba a 720p y 24 fotogramas por segundo, con una memoria visual que podía alcanzar hasta 1 minuto.
¿Cómo utiliza Genie 4 a Gemini?
Genie 4 toma prestado de 2 partes de la familia Gemini. Gemini Omni determina el aspecto y el comportamiento de cada mundo. Otros modelos Gemini gestionan el razonamiento que mantiene coherente la simulación.
El bucle de tiempo de ejecución funciona de esta manera:
- Interpretación: Cuando escribes un prompt, Gemini lo adapta para que se ajuste a la escena en curso.
- Plan: Gemini 3.8 Flash divide un objetivo en una secuencia de pasos.
- Verificar: Revisa los marcos entrantes para confirmar que cada paso se realizó con éxito.
- Adaptación: Si el mundo cambia o usted interviene, se modifica el plan.
Entre las entradas de los usuarios, Gemini también dirige la escena para que el mundo continúe progresando. El equipo de DeepMind considera esto como un primer paso hacia modelos mundiales híbridos. En ese diseño, un modelo de lenguaje gestiona la estructura y la narrativa, mientras que Genie renderiza píxeles y sonido.
¿Qué puedes hacer dentro del mundo de Genie 4?
- Controlar con texto: Puedes cambiar el clima, mover la cámara o añadir una nueva persona u objeto durante la sesión.
- Simular física y personas: DeepMind menciona la aerodinámica y las colisiones. Considera que el movimiento humano es el mayor avance, con personajes que reaccionan a su entorno.
- Escuchar el mundo: Cada mundo transmite audio ambiental. Los personajes también pueden mantener conversaciones que reaccionan en tiempo real a tus entradas.
- Prueba las tareas del robot: En una demostración de investigación, Gemini 4 Argon dividió la tarea de checkers en etapas. Genie 4 recibió cada etapa como un subtítulo de texto y simuló que Apptronik’s Apollo humano jugaba el juego.
¿Cómo se compara Genie 4 con otros modelos mundiales?
DeepMind no publicó tablas de referencia para Genie 4. La comparación que se presenta a continuación utiliza únicamente las especificaciones divulgadas en la fuente original de cada proyecto.
| Característica | Genie 4 | Genie 3 | Runway GWM Worlds 2 | Skywork Matrix-Game 3.0 |
|---|---|---|---|---|
| Lanzado | 27 de octubre de 2026 | 5 de agosto de 2025 | 3 de septiembre de 2026 | 27 de marzo de 2026 |
| Parámetros | No divulgado | No divulgado | No divulgado | 5B (más 2x14B variante de MoE) |
| Resolución / FPS | No divulgado | 720p / 24 fps | 720p / 24 fps | 720p / hasta 40 fps |
| Audio nativo | Sí, incluyendo el diálogo | No se informó | Sí, 48 kHz, incluyendo voz | No se informó |
| Control de texto en medio de la sesión | Sí, mediado por Gemini | Sí, eventos mundiales que se pueden solicitar | Sí, acciones de texto con fecha y hora | Acciones del teclado y del ratón |
| Planificador LLM en bucle | Gemini 3.8 Flash | No | No (harness externo opcional) | No |
| Consistencia | Unos minutos; 2 minutos por TechCrunch | Unos minutos; 1 minuto de memoria visual | Sin longitud predefinida; la memoria es imperfecha | Memoria de minutos de duración |
| Hardware | Alojado en Google, no divulgado | Alojado en Google, no divulgado | Alojado por Runway, no divulgado | 8 GPU para DiT más 1 para VAE |
| Acceso / licencia | Probadores de confianza; AI Ultra y API pronto | Project Genie (AI Ultra) | Vista previa de investigación, formulario de contacto | MIT, pesos abiertos |
¿Quién puede usar Genie 4 y cuándo?
Genie 4 está disponible para los probadores de confianza hoy. Según DeepMind, se espera que esté disponible pronto para los suscriptores de Google AI Ultra en Project Genie. A continuación, los socios que tienen acceso anticipado a la Gemini API y a Google AI Studio.
Todos los videos y audios de Genie 4 llevarán los marcadores de agua SynthID. DeepMind afirma que realizó evaluaciones internas de seguridad antes de la versión preliminar.
Los probadores hasta ahora se encuentran en las industrias creativas, el periodismo, la educación, los juegos y la ingeniería.
Los usos reportados incluyen:
- Cineastas realizando múltiples tomas en vivo para la pre-visualización.
- Fotógrafos que convierten una sola fotografía archivada en una simulación precisa.
- Los desarrolladores de juegos prueban los estilos y mecánicas antes de escribir el código del motor.
- Socios empresariales que generan escenarios de simulación de cero a uno.
¿Cuáles son las limitaciones de Genie 4?
DeepMind enumera varios problemas abiertos en la página del modelo Genie 4:
- Los detalles visuales y la permanencia de los objetos cambian en sesiones más largas, después de ediciones complejas del prompt, o durante la navegación.
- La interacción se limita a unos minutos, no a sesiones prolongadas.
- Los lugares del mundo real no se simulan con precisión perfecta.
- El texto legible suele aparecer solo cuando está en la descripción de entrada.
- La precisión del audio en tiempo real y las interacciones entre múltiples agentes siguen sin resolverse.
Conclusiones clave
- Genie 4 genera un mundo, audio ambiente y diálogos juntos, en tiempo real.
- Planes de Gemini 3.8 Flash, verifica los marcos y replana en el bucle.
- No se divulgaron parámetros, resolución, tasa de fotogramas ni puntos de referencia.
- El acceso comienza con probadores de confianza, y luego con socios de la API AI Ultra y Gemini.
- El deslizamiento y las sesiones cortas siguen siendo los principales límites prácticos.
¡Visita el Anuncio de Genie 4, la Página del modelo Genie 4 y la Lista de espera para el Proyecto Genie. También, no dudes en seguirnos en Twitter y, por supuesto, únete a nuestro SubReddit de 150k+ ML y suscríbete al nuestro boletín informativo. ¡Espera! ¿Estás en Telegram? Ahora puedes unirte a nosotros en Telegram también.
¿Necesita asociarse con nosotros para promocionar su repositorio en GitHub, su página en Hugging Face, el lanzamiento de un producto o un webinario, etc.? Conéctese con nosotros
El artículo Conoce al Genie 4 de Google DeepMind: Modelo Mundial en Tiempo Real con Audio Nativo apareció primero en MarkTechPost.