Google DeepMind hat Genie 4 vorgestellt, die neue Version seines Weltmodells. Das System erzeugt eine begehbare Szene Bild für Bild, während du dich mit der Tastatur durch sie bewegst. Die wichtigste Neuerung ist Ton. Frühere Echtzeit-Modelle von Genie waren stumm; dieses erzeugt Umgebungsgeräusche, Musik und gesprochene Dialoge zusammen mit dem Bild. Wer eine Szene beurteilen und nicht nur ansehen muss, bekommt damit einen spürbaren Fortschritt.
Das Modell stützt sich auf die Gemini-Familie. Laut DeepMind hält Gemini Omni Aussehen und Verhalten einer Szene nah an der realen Welt, während andere Gemini-Modelle das Schlussfolgern übernehmen, das sie stimmig hält. Während einer Sitzung kannst du Anweisungen eintippen, etwa das Wetter ändern, die Kamera bewegen oder eine Person oder einen Gegenstand hinzufügen, und Gemini formuliert die Bitte passend zur Szene um. Bei längeren Aufgaben arbeitet Gemini 3.8 Flash in der Schleife mit: Es zerlegt ein Ziel in Schritte, beobachtet die eingehenden Bilder und prüft, ob jeder Schritt gelungen ist. Eine Demonstration kombiniert Gemini 4 Argon mit Genie 4, um den humanoiden Roboter Apollo von Apptronik beim Damespiel zu simulieren.
Die Testerinnen und Tester, die DeepMind beschreibt, kommen aus Film, Journalismus, Bildung, Spielen und Ingenieurwesen. Filmschaffende nutzen es als groben Entwurf für die Previsualisierung und spielen eine Szene mit anderem Licht oder anderem Dialog erneut durch. Spieleentwickler kommen von einer Idee zu einem begehbaren Prototyp, bevor sie Engine-Code schreiben. Fotojournalisten testen, ob sich ein einzelnes Archivfoto in einen simulierten Ort verwandeln lässt. Alle Ausgaben tragen SynthID-Wasserzeichen in Bild und Ton.
Genie 4 kommt in ein Feld, das sich füllt. Unsere Testberichte zu Genie 4 und zu HY-World 2.0 von Tencent behandeln zwei verschiedene Antworten auf dieselbe Frage: ob ein Modell eine von Hand gebaute 3D-Umgebung ersetzen kann. DeepMind setzt darauf, das Weltmodell eng mit seinen Sprachmodellen zu verbinden, sodass die Planung in Gemini und das Rendern in Genie stattfindet. Das Unternehmen nennt das einen Schritt zu hybriden Weltmodellen.
Die Lücken sind groß. Der Beitrag nennt weder Auflösung noch Bildrate oder maximale Sitzungsdauer und keinen Vergleich mit Konkurrenten. DeepMind räumt selbst ein, dass Details und die Beständigkeit von Objekten abdriften, je länger eine Sitzung läuft oder nach mehreren Änderungen, und dass Physik, Tongenauigkeit, lesbarer Text und räumliche Genauigkeit noch in Arbeit sind. Zugang haben vorerst nur ausgewählte Tester; danach sollen Abonnenten von Google AI Ultra in Project Genie und frühe Partner der Gemini API und von Google AI Studio folgen, ohne Datum und ohne Preis. Bis diese Zahlen vorliegen, ist es eine Vorschau zum Beobachten, kein Werkzeug zum Einplanen.