2026 年 11 月 18 日,Google DeepMind 发布 Genie 4 官方模型卡并宣布结束此前的封闭研究预览,将新一代可交互世界模型 Genie 4 正式接入 Project Genie 体验面向符合条件的 Google AI Ultra 订阅用户开放(同时向 Google AI Pro 订阅用户开放候补名单);紧接着在 11 月 19 日,Google AI Studio 官方更新日志宣布 Genie 4(API 标识符:models/genie-4)在 Gemini Interactions API(v1beta)付费开发者层级全面上线(GA)。
融合 Gemini Omni Flash 与推理能力,实时输出 24 fps 视听交互世界
图文生成可漫游场景,原生同步 48 kHz 立体声与动态对话:根据 Google DeepMind 模型卡披露,Genie 4 基于 Gemini Omni Flash 锚定真实世界视觉外观与物理规律,并融合 Gemini 推理模型以维持长程场景连贯性。开发者与用户可通过纯文本提示词、16:9 参考图像或图文组合生成可交互世界,通过键盘 WASD 或方向键控制视角移动,并在会话中途随时输入自然语言指令修改地貌、调整天气或加入新角色。在流媒体规格上,models/genie-4 经由 WebRTC 与 WebSockets 实时传输 720p 分辨率、最高 24 fps 的 16:9 交互画面,并原生同步生成 48 kHz 立体声音频(涵盖背景音乐、环境音效以及随场景变化自适应的交互对话),较前代 Genie 3 在照片级真实感与实时转向响应上实现显著跃升。

图片来源:DigIntoAI 根据 Google DeepMind 模型卡及 Google AI Studio 更新日志整理制作。
Gemini API 定价明细与模型卡已知研究局限
按百万 tokens 计费(视频输出约 $0.10/秒)及长程一致性边界:在 Gemini Interactions API 付费层级中,models/genie-4 的官方定价为输入 $1.50 / 百万 tokens、文本输出 $9.00 / 百万 tokens、视频输出 $17.50 / 百万 tokens(官方换算约为每秒 $0.10,已包含同步立体声音频)。同时,DeepMind 模型卡也客观说明了当前研究阶段的技术边界:虽然 Genie 4 在短时会话内能保持良好的环境连贯性,但随着单次模拟运行时间延长、经历多次复杂提示词修改或大范围场景穿行,画面细节与物体恒常性(object permanence)仍可能出现偏移;复杂物理碰撞、实时音频精准度、清晰可读文字渲染与长程空间一致性仍是持续攻关的研究方向。在安全防护方面,Genie 4 沿用 Gemini 3 系列前沿安全评估基线(对照 Gemini 3.1 Pro 与 3.7 Flash),并默认对生成内容嵌入 SynthID 数字水印。
