A Google DeepMind bemutatta a Genie 4 világmodellt, amely nem kész videót ad vissza, hanem billentyűzettel bejárható szimulációt generál. A felhasználó futás közben szöveggel változtathatja meg az időjárást, a kamera helyét, vagy új szereplőt és tárgyat tehet a jelenetbe. A modell a képpel együtt zenét, környezeti zajt és párbeszédet is előállít.
A folyamatban a Gemini-család több tagja dolgozik: a Google szerint a Gemini Omni segít a valószerű megjelenés és viselkedés rögzítésében, más Gemini-modellek pedig a jelenet folytonosságát irányítják. A bemutatók alapján a Genie 4 legfeljebb körülbelül két percig tartja össze a szimulációt, ami kétszerese az előd korlátjának.
Ez azonban nem kész fogyasztói termék. A Genie 4 jelenleg megbízható tesztelőknek adott kutatási előnézet; később a Google AI Ultra előfizetői kaphatják meg a Project Genie-ben, illetve korai partnerek a Gemini API-ban és az AI Studióban. Árat és széles megjelenési dátumot a cég nem közölt.
A TechCrunch beszámolója szerint a hosszabb futásokban részletek és tárgyak még elcsúszhatnak, a világon belüli feliratok olvashatósága és a hang pontossága sem megoldott. A filmes elővizualizáció és a robotok biztonságos szimulációs tesztje ígéretes irány, de a látványos demó még nem bizonyítja, hogy a modell megbízható fizikai környezetet épít.
Források: Google DeepMind, TechCrunch