O Google DeepMind anunciou o Genie 4, a nova versão do seu modelo de mundo, um sistema que gera uma cena explorável quadro a quadro enquanto você se move por ela com o teclado. A principal mudança é o som. Os modelos Genie em tempo real anteriores eram mudos; este produz ruído ambiente, música e diálogo falado junto com a imagem. Para quem precisa avaliar uma cena, e não só olhar para ela, é um avanço relevante.
O modelo se apoia na família Gemini. Segundo a DeepMind, o Gemini Omni mantém a aparência e o comportamento da cena próximos do mundo real, enquanto outros modelos Gemini cuidam do raciocínio que a mantém coerente. Durante uma sessão, você pode digitar instruções, como mudar o clima, mover a câmera ou adicionar uma pessoa ou um objeto, e o Gemini reescreve o pedido para combinar com a cena. Em tarefas mais longas, o Gemini 3.8 Flash trabalha dentro do ciclo: divide um objetivo em etapas, observa os quadros que chegam e verifica se cada etapa deu certo. Uma demonstração combina o Gemini 4 Argon com o Genie 4 para simular o robô humanoide Apollo, da Apptronik, jogando damas.
Os testadores de confiança descritos pela DeepMind vêm do cinema, do jornalismo, da educação, dos games e da engenharia. Cineastas o usam como rascunho de pré-visualização, refazendo uma cena com outra luz ou outro diálogo. Desenvolvedores de jogos passam de uma ideia a um protótipo navegável antes de escrever código de engine. Fotojornalistas testam se uma única fotografia de arquivo pode virar um lugar simulado. Tudo o que é gerado leva marca d'água SynthID no vídeo e no áudio.
O Genie 4 chega a um campo cada vez mais cheio. Nossas análises do Genie 4 e do HY-World 2.0, da Tencent, tratam de duas respostas diferentes à mesma pergunta: se um modelo pode substituir um ambiente 3D construído à mão. A aposta da DeepMind é ligar o modelo de mundo de perto aos seus modelos de linguagem, com o planejamento no Gemini e a renderização no Genie. A empresa chama isso de passo rumo a modelos de mundo híbridos.
As lacunas são grandes. O anúncio não informa resolução, taxa de quadros nem duração máxima de sessão, e não traz comparação com rivais. A própria DeepMind admite que detalhes e a permanência dos objetos se desviam conforme a sessão se alonga ou após várias edições, e que física, precisão do áudio, texto legível e precisão espacial ainda estão em desenvolvimento. Por enquanto, só testadores de confiança têm acesso; depois virão assinantes do Google AI Ultra no Project Genie e parceiros iniciais da Gemini API e do Google AI Studio, sem data nem preço. Até esses números aparecerem, é uma prévia para acompanhar, não uma ferramenta para planejar o trabalho.