20 листопада 2026 року Google DeepMind оголосила про доступність нових версій моделей Gemini 4 і Genie 4, які суттєво розширюють можливості генерації реалістичних світових симуляцій та їх застосування в навчанні роботів. Ці оновлення спираються на попередні напрацювання в галузі світових моделей і vision-language-action систем, але впроваджують ключові покращення в реальному часі та мультимодальності.
Genie 4 являє собою нативно мультимодальну світову модель, яка генерує не лише візуальні сцени в роздільній здатності до 720p при 24 fps, а й синхронізований аудіоконтент: ambient-звуки, музику та діалоги персонажів. Модель інтегрує можливості Gemini Omni для anchoring симуляцій у реальному світі та інших варіантів Gemini для підтримання когерентності й безперервності сцен. Користувачі можуть у реальному часі впливати на симуляцію через текстові промпти — змінювати погоду, вводити об'єкти чи персонажів, — при цьому Gemini-компоненти адаптують зміни контекстуально та стежать за фізичною правдоподібністю.
У галузі робототехніки ключову роль відіграє Gemini 4 Argon, який виступає як симуляційний рушій. Він генерує тисячі варіативних симульованих прогонів на основі реальних відеосцен, створюючи цифрові двійники та прискорюючи узагальнення навичок. Це дозволило розробити Gemini Robotics 2.5 — найдосконалішу VLA-модель на сьогодні. За даними DeepMind, модель демонструє зростання успішності виконання завдань на 30–100 % залежно від типу та прискорення виконання на 20–30 % порівняно з попередніми версіями, протестованими на понад 200 завданнях, включно з роботою з деформованими об'єктами та тонкими інструментами.
Методологія оцінювання включає як лабораторні тести, так і реальні пілоти, наприклад на виробничих лініях Mercedes-Benz з роботом Apptronik Apollo 2, де досягнуто 96 % успіху в завданні комплектування деталей. Однак DeepMind не публікує детальних бенчмарків порівняно із зовнішніми моделями, а фокус зроблено на внутрішніх метриках і steerability — здатності уникати небезпек у реальному часі. Це залишає питання про відтворюваність і порівняння з паралельними підходами інших лабораторій, такими як роботи OpenAI або Boston Dynamics в embodied AI.
У ландшафті світових моделей Genie 4 будується на Genie 3, подвоюючи тривалість coherent симуляцій і додаючи native audio, що відрізняє підхід DeepMind від суто візуальних генераторів на кшталт Runway. Інтеграція з Gemini 4 Argon для робототехніки створює замкнений цикл: симуляції прискорюють навчання VLA-моделей, а ті своєю чергою покращують якість симуляцій. Це стратегічний зсув порівняно з попередніми ітераціями, де дані збирали переважно в реальному світі.
Низхідні наслідки включають прискорення розробки фізичного інтелекту: роботи швидше адаптуються до нових середовищ, що відкриває шлях до промислового масштабування. Однак залишається неясним, наскільки узагальнюваними є навички за межами протестованих 200 завдань і як модель дає раду з довгостроковими агентними сценаріями без додаткових перевірок.
Відкриті питання стосуються незалежної верифікації заявлених покращень і впливу на безпеку — DeepMind випустила бенчмарк ASIMOV-Jailbreak, де Argon показує 99,5 % стійкості, але реальні ризики в неконтрольованих середовищах потребують подальших досліджень спільнотою.
Отже, комбінація Gemini 4 і Genie 4 зміщує акцент з ізольованих моделей на інтегровані симуляційно-навчальні контури, що робить наступний крок в embodied AI більш досяжним.

