Em 20 de novembro de 2026, o Google DeepMind anunciou a disponibilidade de novas versões dos modelos Gemini 4 e Genie 4, que ampliam substancialmente as possibilidades de geração de simulações realistas do mundo e de sua aplicação no treinamento de robôs. Essas atualizações se apoiam em trabalhos anteriores na área de modelos de mundo e de sistemas vision-language-action, mas introduzem melhorias fundamentais em tempo real e em multimodalidade.
O Genie 4 é um modelo de mundo nativamente multimodal que gera não apenas cenas visuais em resolução de até 720p a 24 fps, mas também conteúdo de áudio sincronizado: sons ambiente, música e diálogos de personagens. O modelo integra os recursos do Gemini Omni para ancorar as simulações no mundo real e de outras variantes do Gemini para manter a coerência e a continuidade das cenas. Os usuários podem influenciar a simulação em tempo real por meio de prompts de texto — mudar o clima, introduzir objetos ou personagens —, enquanto os componentes do Gemini adaptam as mudanças contextualmente e zelam pela verossimilhança física.
Na área da robótica, papel central desempenha o Gemini 4 Argon, que atua como motor de simulação. Ele gera milhares de execuções simuladas variadas com base em cenas de vídeo reais, criando gêmeos digitais e acelerando a generalização de habilidades. Isso permitiu desenvolver o Gemini Robotics 2.5 — o modelo VLA mais avançado até hoje. Segundo o DeepMind, o modelo apresenta um aumento da taxa de sucesso na execução de tarefas de 30–100 % dependendo do tipo e uma aceleração da execução de 20–30 % em comparação com versões anteriores, testadas em mais de 200 tarefas, incluindo o trabalho com objetos deformáveis e instrumentos delicados.
A metodologia de avaliação inclui tanto testes de laboratório quanto pilotos reais, por exemplo nas linhas de produção da Mercedes-Benz com o robô Apptronik Apollo 2, onde se alcançou 96 % de sucesso na tarefa de montagem de peças. No entanto, o DeepMind não publica benchmarks detalhados em comparação com modelos externos, e o foco está em métricas internas e na steerability — a capacidade de evitar perigos em tempo real. Isso deixa questões sobre a reprodutibilidade e a comparação com abordagens paralelas de outros laboratórios, como os trabalhos da OpenAI ou da Boston Dynamics em embodied AI.
No panorama dos modelos de mundo, o Genie 4 se baseia no Genie 3, dobrando a duração das simulações coerentes e adicionando áudio nativo, o que distingue a abordagem do DeepMind de geradores puramente visuais como o Runway. A integração com o Gemini 4 Argon para a robótica cria um ciclo fechado: as simulações aceleram o treinamento dos modelos VLA, e estes, por sua vez, melhoram a qualidade das simulações. Trata-se de uma mudança estratégica em relação às iterações anteriores, em que os dados eram coletados predominantemente no mundo real.
As consequências descendentes incluem a aceleração do desenvolvimento da inteligência física: os robôs se adaptam mais rapidamente a novos ambientes, o que abre caminho para a escala industrial. No entanto, permanece incerto até que ponto as habilidades são generalizáveis além das 200 tarefas testadas e como o modelo lida com cenários agênticos de longo prazo sem verificações adicionais.
Questões em aberto dizem respeito à verificação independente das melhorias declaradas e ao impacto na segurança — o DeepMind lançou o benchmark ASIMOV-Jailbreak, no qual o Argon apresenta 99,5 % de resistência, mas os riscos reais em ambientes não controlados exigem mais pesquisas por parte da comunidade.
Assim, a combinação de Gemini 4 e Genie 4 desloca o foco de modelos isolados para circuitos integrados de simulação e treinamento, o que torna o próximo passo em embodied AI mais alcançável.

