A Google DeepMind bemutatta a valós időben működő Genie 4 világmodellt
A Google DeepMind bemutatta a Genie 4-et, a Genie 3 utódját és a vállalat első olyan valós idejű világmodelljét, amely közvetlenül hangot is generál. A rendszer nem előre elkészített videót játszik le, hanem képkockáról képkockára számolja ki az interaktív, háromdimenziós környezetet. A felhasználó billentyűzettel mozoghat benne, szöveges utasításokkal pedig az időjárástól az események alakulásáig befolyásolhatja a világot.
A szimulációkhoz háttérhangok, például a fák között süvítő szél, valamint egymással és a felhasználóval reagáló, beszélő szereplők is tartoznak. A DeepMind szerint a modell az emberek mozgását és környezetre adott reakcióit is természetesebben jeleníti meg, és a szereplők közvetlen irányítását is lehetővé teszi. A Gemini Omni videomodell a látvány és a viselkedés realisztikusságát segíti, más Gemini-modellek pedig a háttérben tervezik a következő lépéseket, hogy a világ következetesen fejlődjön.
A Gemini 3.8 Flash folyamatosan figyeli a jelenetet, részfeladatokra bontja a célokat, majd az új képkockák alapján ellenőrzi az eredményt. A Gemini 4 Argonnal végzett kísérletben például egy robot, az Apptronik Apollo sakkjátszmáját szimulálták valódi robot használata nélkül. A Genie 4 egyelőre korai kutatási modell: rövid használat közben stabilabb, hosszabb szimulációkban viszont változhatnak a részletek, eltűnhetnek tárgyak, és az összetett utasítások is zavarokat okozhatnak. Jelenleg csak kiválasztott tesztelők férnek hozzá, később pedig a Google AI Ultra előfizetői és korai partnerfelhasználók próbálhatják ki. A generált hangokat és videókat SynthID vízjel jelöli majd.