گوگل دیپ‌مایند Genie 4 را به‌عنوان پیش‌نمایش پژوهشی برای آزمایش‌کنندگان مورد اعتماد منتشر کرد. این مدل دنیای بلادرنگ، محیط‌های قابل کاوش را از متن و تصویر تولید می‌کند و برای نخستین بار در میان مدل‌های دنیای بلادرنگ دیپ‌مایند، صدا را بومی (native) می‌سازد — شامل نویز محیطی، موسیقی و دیالوگ شخصیت‌ها.

مهم‌ترین تغییر در Genie 4 معماری است. یک مدل Gemini داخل حلقه شبیه‌سازی به‌عنوان برنامه‌ریز اجرا می‌شود. دیپ‌مایند توضیح می‌دهد که Gemini 3.8 Flash هدف کاربر را به مجموعه‌ای از گام‌ها تبدیل می‌کند، فریم‌های دریافتی را بررسی می‌کند تا از موفقیت هر گام مطمئن شود، و در صورت تغییر جهان یا مداخله کاربر، برنامه را بازنگری می‌کند. بین ورودی‌های کاربر، Gemini صحنه را هدایت می‌کند تا جهان به پیش برود.

Genie 4 جانشین Genie 3 است که در اوت ۲۰۲۵ اعلام شد و با رزولوشن 720p و ۲۴ فریم بر ثانیه کار می‌کرد. به‌گزارش TechCrunch، ثبات صحنه در Genie 4 تا ۲ دقیقه ادامه دارد — دو برابر حافظه بصری یک‌دقیقه‌ای نسل قبل. اما جلسه‌های تعاملی همچنان چند دقیقه‌ای‌اند و اشیاء پس از ویرایش‌های مکرر با پرامپت، جابه‌جا می‌شوند.

دسترسی فعلاً محدود به آزمایش‌کنندگان مورد اعتماد است. دیپ‌مایند می‌گوید به‌زودی برای مشترکان Google AI Ultra در Project Genie و سپس شرکای دسترسی زودهنگام Gemini API و Google AI Studio باز می‌شود. تمام ویدیو و صدای تولیدشده با واترمارک SynthID علامت‌گذاری می‌شود.

کاربردهای گزارش‌شده#

  • فیلم‌سازان برای پیش‌نمایش زنده چند «تیک»
  • عکاسان خبری برای تبدیل یک عکس آرشیوی به شبیه‌سازی
  • توسعه‌دهندگان بازی برای آزمایش سبک و مکانیک پیش از نوشتن کد موتور
  • شرکای سازمانی برای تولید سناریوهای شبیه‌سازی صفر به یک

محدودیت‌ها#

  • جزئیات بصری و دوام اشیاء در جلسات بلندتر و پس از ویرایش‌های پیچیده پرامپت افت می‌کند.
  • مکان‌های واقعی با دقت کامل شبیه‌سازی نمی‌شوند.
  • متن خوانا معمولاً فقط وقتی ظاهر می‌شود که در توصیف ورودی آمده باشد.
  • دقت صدای بلادرنگ و تعامل چندعاملی حل‌نشده باقی مانده است.

خوانش تحریریه#

Genie 4 برای کسی که امروز با ابزارهای موجود ایجنت یا اتوماسیون می‌سازد، الگوی معماری‌اش مهم‌تر از خروجی بصری‌اش است. قرار دادن یک مدل زبانی داخل حلقه رندر — نه کنار آن — یعنی ساختار روایی و تصمیم‌گیری از پیکسل‌سازی جدا می‌شود. این الگو اگر جواب دهد، می‌تواند الگوی پیش‌فرض شبیه‌سازی محیط‌های تمرینی ربات و ایجنت شود. اما دیپ‌مایند هیچ بنچمارک، تعداد پارامتر، رزولوشن یا نرخ فریم Genie 4 را فاش نکرده و دسترسی هم هنوز به عموم باز نشده. تا پیش‌نمایش عمومی و انتشار اعداد عملکرد، Genie 4 بیشتر یک اعلامیه معماری است تا ابزاری که بتوان روی آن برنامه‌ریزی کرد.

منبع: MarkTechPost