Google DeepMind ha presentado Genie 4, la nueva versión de su modelo de mundo, un sistema que genera una escena explorable fotograma a fotograma mientras te mueves por ella con el teclado. El cambio principal es el sonido. Los modelos Genie en tiempo real anteriores eran mudos; este produce ruido ambiente, música y diálogo hablado junto con la imagen. Para quien tiene que juzgar una escena y no solo mirarla, es un paso relevante.
El modelo se apoya en la familia Gemini. DeepMind dice que Gemini Omni mantiene el aspecto y el comportamiento de la escena cerca del mundo real, mientras otros modelos Gemini se encargan del razonamiento que la mantiene coherente. Durante una sesión puedes escribir instrucciones, como cambiar el tiempo, mover la cámara o añadir una persona o un objeto, y Gemini reescribe la petición para que encaje en la escena. En tareas más largas, Gemini 3.8 Flash trabaja dentro del bucle: divide un objetivo en pasos, observa los fotogramas que llegan y comprueba si cada paso ha funcionado. Una demostración combina Gemini 4 Argon con Genie 4 para simular al robot humanoide Apollo de Apptronik jugando a las damas.
Los probadores de confianza que describe DeepMind vienen del cine, el periodismo, la educación, los videojuegos y la ingeniería. Los cineastas lo usan como borrador para la previsualización y repiten una escena con otra luz u otros diálogos. Los desarrolladores de juegos pasan de una idea a un prototipo recorrible antes de escribir código de motor. Los fotoperiodistas prueban si una sola fotografía de archivo puede convertirse en un lugar simulado. Todo lo que genera lleva marcas de agua SynthID en el vídeo y en el audio.
Genie 4 llega a un campo cada vez más concurrido. Nuestras reseñas de Genie 4 y de HY-World 2.0 de Tencent cubren dos respuestas distintas a la misma pregunta: si un modelo puede sustituir un entorno 3D construido a mano. La apuesta de DeepMind es unir el modelo de mundo con sus modelos de lenguaje, de modo que la planificación ocurra en Gemini y el renderizado en Genie. Lo llama un paso hacia los modelos de mundo híbridos.
Las lagunas son grandes. El anuncio no da resolución, fotogramas por segundo ni duración máxima de sesión, ni compara con rivales. La propia DeepMind reconoce que los detalles y la permanencia de los objetos se desvían cuando la sesión se alarga o tras varias ediciones, y que la física, la precisión del audio, el texto legible y la precisión espacial siguen en desarrollo. Por ahora solo tienen acceso los probadores de confianza; después llegarán los suscriptores de Google AI Ultra en Project Genie y los socios iniciales de la Gemini API y Google AI Studio, sin fecha ni precio. Hasta que aparezcan esas cifras, es una vista previa que conviene seguir, no una herramienta sobre la que planificar.