20 月 2026 日,Google DeepMind 宣布推出 Gemini 4 與 Genie 4 模型的新版本,這些版本大幅拓展了生成逼真世界模擬及其在機器人訓練中應用的能力。這些更新奠基於先前在世界模型與視覺—語言—動作系統領域的研究成果,但在即時性與多模態方面引入了關鍵改進。
Genie 4 是一款原生多模態世界模型,它不僅能生成解析度高達 720p、幀率為 24 fps 的視覺場景,還能生成同步的音訊內容:環境音、音樂與角色對話。該模型整合了 Gemini Omni 將模擬錨定於現實世界的能力,以及其他 Gemini 變體維持場景連貫性與連續性的能力。使用者可以透過文字提示即時影響模擬——改變天氣、引入物體或角色——而 Gemini 組件會依情境調整這些變更,並確保其符合物理上的合理性。
在機器人技術領域,Gemini 4 Argon 扮演關鍵角色,它充當模擬引擎。它基於真實影片場景生成數千次多樣化的模擬運行,建立數位孿生並加速技能泛化。這使得 Gemini Robotics 2.5 得以問世——這是迄今為止最先進的 VLA 模型。根據 DeepMind 的資料,該模型在任務執行成功率上提升 30–100 %(視任務類型而定),執行速度較先前版本提升 20–30 %,並在超過 200 項任務上進行了測試,包括處理可變形物體與精細工具。
評估方法涵蓋實驗室測試與實際試點,例如在 Mercedes-Benz 的生產線上搭配 Apptronik Apollo 2 機器人,在零件配套任務中達到了 96 % 的成功率。然而,DeepMind 並未公布與外部模型比較的詳細基準測試,而是將重點放在內部指標與可引導性(steerability)——即即時避開危險的能力。這使得可重現性以及與其他實驗室平行方法的比較仍存疑問,例如 OpenAI 或 Boston Dynamics 在具身 AI 領域的研究。
在世界模型的格局中,Genie 4 建構於 Genie 3 之上,將連貫模擬的持續時間加倍,並加入原生音訊,這使 DeepMind 的方法有別於 Runway 等純視覺生成器。與 Gemini 4 Argon 在機器人技術上的整合形成了一個閉環:模擬加速 VLA 模型的訓練,而這些模型反過來又提升模擬的品質。相較於以往主要從現實世界收集資料的迭代版本,這是一項策略性轉變。
其後續影響包括加速物理智慧的開發:機器人能更快適應新環境,為工業規模化開闢道路。然而,目前仍不清楚這些技能在已測試的 200 項任務之外的可泛化程度,以及該模型在沒有額外檢查的情況下如何應對長期代理情境。
未解的問題涉及對所宣稱改進的獨立驗證及其對安全性的影響——DeepMind 發布了 ASIMOV-Jailbreak 基準測試,其中 Argon 展現出 99,5 % 的穩健性,但在不受控環境中的實際風險仍需社群進一步研究。
因此,Gemini 4 與 Genie 4 的結合將重點從孤立的模型轉向整合式的模擬—訓練迴路,使具身 AI 的下一步更加可及。

