A DeepMind bemutatta a valósághűbb fizikát és emberábrázolást kínáló Genie 4-et
A Google DeepMind bemutatta a Genie 4-et, a Genie 3 továbbfejlesztett világmodelljét, amely valós időben, képkockáról képkockára hoz létre bejárható virtuális környezeteket. A rendszernek nem kell előre elkészített pályákra vagy külön beprogramozott interakciókra támaszkodnia: a felhasználó szöveges utasításokkal határozhatja meg a világot, majd felfedezheti és menet közben módosíthatja azt. A DeepMind szerint a technológia korlátlan számú tanulási környezetet biztosíthat fizikai robotok számára, és a kreatív területeken is felgyorsíthatja a prototípusok készítését.
A Genie 4 működését a Gemini 3.8 Flash vezérli, amely értelmezi a célokat, értékeli az egyes képkockákat, és segít fenntartani a helyszín, a tárgyak és az események folytonosságát. A modell időjárást, új elemeket és kameramozgást is kezel, bár a létrehozott világok jelenleg csak néhány percig maradnak teljesen következetesek. A DeepMind javított a fizikán is: az aerodinamika és az ütközések természetesebbnek hatnak, az emberi szereplők mozgása és reakciói pedig kevésbé tűnnek mesterségesnek.
A Genie 4 az első DeepMind-világmodell beépített hanggal. A környezetek háttérzajokat tartalmazhatnak, a felhasználó pedig konkrét hangokat is kérhet, sőt a rendszer a változó szimulációhoz alkalmazkodó interaktív párbeszédeket is létrehozhat. A hozzáférés hamarosan indul a fejlesztők számára a Gemini API-n és az AI Studión keresztül, a fogyasztói bevezetés pedig fokozatos lesz. Elsőként a havi 100 dollártól elérhető Google AI Ultra csomag előfizetői kaphatnak hozzáférést; a díjszabás még nem ismert.