Genie 4 與 Genie 3 有何不同?Google DeepMind 互動式世界模型比較
Google DeepMind 的 Genie 4 相較 Genie 3 加入原生音訊、探索時以自然語言調整場景、更自然的動作,以及由 Gemini 模型協助維持事件連貫性。
Google DeepMind 的 Genie 4 相較 Genie 3 加入原生音訊、探索時以自然語言調整場景、更自然的動作,以及由 Gemini 模型協助維持事件連貫性。
Liquid AI 發佈 LFM3 模型家族,涵蓋文字、視覺、音訊、決策及全能型共 6 款模型,均以 LFM3-1.7B-Base 為基座。其中 LFM-1.7B 支援 256K 上下文窗口,參數減少 35% 的同時,效能優於上一代 LFM2.5-2.6B。
Liquid AI 發佈 LFM3 模型家族,首批六款模型均基於 LFM3-1.7B-Base。該系列採用全新的三混合層架構,並在 22T tokens 上預訓練。LFM-1.7B 擁有 256K 上下文窗口,使用的參數減少 35%,性能仍優於上一代 LFM2.5-2.6B。
Liquid AI 發佈 LFM3 模型家族,首批包括 LFM-1.7B、LFM3-VL-2B、d1-2B、LFM3-Audio、LFM3-Omni-2B 和 d1-Omni-2B,均基於 LFM3-1.7B-Base。
中國電信 TeleAI 團隊研發的「TeleAI 隱私攝像頭」,比蘋果代號 J450 的家用攝像頭消息早 8 個月推出。它不拍攝人臉、不儲存圖片或傳輸原始畫面,而是透過智傳網(AI Flow)傳送詞元流,識別霸凌、違規吸煙和老人跌倒等風險。後續產品將搭配雲端管理平台,形成「TeleAI 智慧看護助手」,供校園、養老、園區及醫療等場景使用。
EvidenceConnect 透過合成訓練數據,強化模型連結視覺證據的能力,改善空間感知及多模態推理。研究者以該框架生成數據訓練基礎 VLM,取得 Zooming without Zooming v2(ZwZ2),並在細粒度與空間感知等任務上取得提升。驗證方法包括要求獨立 VLM 對參考答案達成一致,以及以區域消融測試剔除不合格問題。
Texas A&M University 開發的 CLARKE 可在無網絡連線時分析無人機影像,並生成記錄建築物損毀及道路狀況的精簡報告。研究人員估計,縮短影像傳送和判讀延誤可讓應急管理人員提早約一天作決策,優先處理受災最嚴重地區。
Google DeepMind 已向受邀測試者提供 Genie 4 研究預覽,這款即時世界模型可根據文字和圖像提示生成可探索環境。它同時生成環境聲、音樂及角色對話,Gemini 3.8 Flash 則在模擬循環中規劃步驟、檢查畫面並修訂計劃。互動每次僅持續數分鐘,複雜提示詞編輯後可能出現物件漂移;Google DeepMind 未公開參數、解像度、幀率或基準測試數據。
電力巡檢 AR 眼鏡以 50 克輕量化設計,針對巡檢中仍需人員走近設備的「最後幾米」難題。AI 可識別指針、狀態、指示燈及矩陣表計,支援安全距離讀表;離線語音、物理按鍵和觸控板讓人員雙手無需離開作業面。MicroLED 高亮屏適應正午強光,遠程專家協同則可縮短故障響應時間。
Factorized Vector Quantization 以互補特徵視圖的對稱平行碼本改善離散視覺 token,令其在多模態理解上達到連續視覺表徵的水平。模型在九項指標的平均表現較 UniAR 高 22.8%,較 Emu3-Chat 高 59.2%。它亦能媲美 Qwen3-VL 等連續表徵模型,包括在細粒度 OCR 任務上的表現。
天津大學張長青在 CNCC 2026 報告中介紹多模態融合研究,探討如何保留模態特有資訊、根據證據評估預測不確定性,並以 Fusion Anything Model(FAM)適應不同模態組合與預測任務。
Google DeepMind 發佈 Genie 4,這款 AI 模型可即時生成讓用戶進入並探索的虛擬世界。用戶可在場景中行走、轉向,並以提示詞改變天氣、加入人物或動物;模型亦可即時生成聲音及物理效果。目前 Genie 4 只向少量測試者開放,虛擬世界只能持續互動數分鐘,時間較長可能出現物體漂移或物理效果異常。
VibeVideoBench 評測以程式碼生成影片的多模態智能體;在 239 項任務、九個前沿智能體系統及 2,151 次評分執行中,GPT-6 Astra 和 Claude Opus 5.5 分列第一、第二。最強系統在 76.3% 的任務中滿足所有核心要求,但交付影片仍是主要挑戰,四分之三未交付的影片因最終渲染開始太遲、速度太慢或未能開始。
PDRVLA透過輕量級物理動力學模組,利用世界模型監督預測未來視覺特徵,改善機械人動作生成,並避免在線生成影片造成的延遲。在四項模擬基準測試中,PDRVLA於LIBERO、LIBERO-Plus、RoboTwin 2.0及SimplerEnv的成功率分別為99.3%、89.9%、93.6%及81.5%。訓練完全使用公開數據,並透過人類到機械人的合成、子任務標註及具身鏈式推理標註擴充。
Sovereign Bodies 是一個互動裝置,透過本地 AI 智能體把舞動的身體轉化成影片,所有處理都在同一部機器上完成,資料不會傳送至雲端或外部伺服器。裝置以 MediaPipe、ViViT 和本地 LLM 分析動作,再由智能體指揮影片後製;開放原始碼,並獲選參展 CVPR Art Gallery 2026。
Liquid AI 於 2026 年 10 月 27 日宣佈 LFM3,推出六款約 2B 參數的開放權重模型,全部由 LFM3-1.7B-Base 共用骨幹分支而成。
MIT 教授 Paris Smaragdis 致力運用機器學習,讓機器更有效地聆聽和理解聲音,並期望超越人類的聽覺能力。他的研究涵蓋聲源分離、擴展人類聽覺環境的智能裝置,以及協助理解、處理、分析和創作音樂的工具。
個人資料私隱專員公署發布《智能眼鏡:保障個人資料私隱貼士》,提醒智能眼鏡收集的資料可能經 AI 分析,並涉及敏感個人資料收集及與供應商分享資料等私隱風險。指引建議使用前閲讀私隱政策、採用嚴格保安設定,並提醒拍攝前通知對方,避免在有合理私隱期望的地方使用或啟動攝錄功能。
Google 發佈新一代世界模型 Genie 4,可即時生成可探索的動態 3D 世界,並同步生成音樂、環境音及互動對話。用戶可用自然語言修改場景;Gemini 3.8 Flash 會觀察畫面、拆解目標,並因應世界變化或用戶介入調整計劃。Genie 4 目前僅以研究預覽形式向受信任測試者開放,長時間模擬中的視覺細節和物件持續存在狀態仍可能改變或偏移,複雜物理互動亦仍待解決。
CodeCap-Bench 評估多模態大語言模型以程式碼描述影片的能力,涵蓋 323 段影片、五類結構化 2D 內容,並採用細緻標註及多層次評估框架。研究發現,程式碼描述在下游問答的推理準確度和影片重建保真度方面優於自然語言描述;領先的閉源模型雖展現潛力,仍難以忠實捕捉複雜時間動態,開源模型則明顯落後。
OpenAI 推出 GPT-6.1 Terra,提升電腦操作、視覺理解及程式設計能力,完成電腦操作任務的速度較上一代快逾3倍。
微軟推出圖像編輯模型 MAI-Image-2.7-Preview,該模型在 Artificial Analysis 的 AA-Image-Editing v2.1 榜單以 1,193 Elo 排第 2。
豆包、DeepSeek、文心一言等 AI 搜尋中的品牌提及,主要取決於模型可召回及核驗的公開語料,官方網站與權威媒體的交叉印證是主要信源。百科、問答、參數頁及短影片等結構化或多模態內容則作補充;來源口徑不一致或低質重複內容,可能降低採信度。文章建議統一官方資訊、補充可核驗的第三方背書,並持續監測品牌資訊。
Nemotron-Labs-Diffusion-Uni(NLD-Uni)是一款結合視覺理解與生成的統一離散擴散大語言模型,採用跨範式策略上蒸餾及漸進式自我精煉擴散。在視覺問答、多模態推理、物件定位、文字生成圖像及圖像編輯等多種任務上,NLD-Uni 在統一擴散大語言模型中達到最先進表現。
Hy-Nomas 是一個採用 8B 擴散骨幹的影片世界模型,支援多輪自由形式文字指令及連續鏡頭控制,並保留互動歷史。模型按當前輸入與快取歷史生成可變長度片段,並以結構化影片描述、動作感知因果注意力及視覺語言 Prompt Enhancer(PE)形成下一片段的條件。
MicroAGI 公開自研機械人訓練數據交付平台,採用兩跳中轉架構,每日可分發 PB 級多模態數據至兼容 S3 協議的對象儲存。測試中,一次存入 122TB 數據的任務,跨網絡傳輸量約為數據量的五分之一,3.1 小時完成暫存;239GB 數據集的增量更新只需傳輸 2.6MB。
Google DeepMind 推出世界模型 Genie 4 研究預覽版,可生成高擬真、可互動的虛擬世界,並同步生成音訊與影片,連貫畫面最長維持兩分鐘。目前模型僅開放予受信任測試者,計劃未來幾週透過 Project Genie 向 Google AI Ultra 訂閲用戶及 Gemini API、AI Studio 的早期存取合作夥伴提供。
阿里雲 Token Plan 是千問 AI 平台推出的模型訂閲服務,以 Credits 統一計量,涵蓋多模態模型與聯網搜尋、程式碼解譯器等工具。個人版分 Lite、Essential、Standard、Pro 四檔,團隊版設標準、高級、尊享三檔席位,並支援席位管理及用量分析;Standard 與 Pro 附送獨立核算的 Harness 權益。
品牌或企業佈局高權重 GEO「信源」陣地,重點是讓大模型能理解、交叉驗證並引用品牌資訊。策略包括完善官網結構化資料與知識切片、佈局權威第三方平台、適配 API 和多模態檢索,並以核心問答測試集追蹤引用來源、持續迭代。
Google 預覽 Genie 4 世界模型,可生成寫實三維環境,並較前代更擅長呈現流暢動作與複雜細節,亦能生成配套音訊。用戶可用自然語言建立及修改虛擬世界,並透過鍵盤改變鏡頭位置和角度;DeepMind 正研究把 Genie 4 與 Gemini 4 Argon 結合,用高層指令模擬機械人工作流程。
2026年,AIGEO的競爭焦點正從提高品牌在AI答案中的曝光,轉向建立可持續核驗、令品牌被穩定採信的可信度體系。文章將演進分為2023—2024年的流量鋪量期、2025年的機制顯性期,以及2026年起的可信度工程期,並提出實體一致性、信源可核驗性和跨模型穩定性三項觀測維度。企業可透過統一品牌事實、監測多模型回答及交叉核驗信源,持續管理品牌資訊。
Google DeepMind 宣佈 Genie 4,這款新世界模型可由文字提示詞或圖片即時生成可探索、照片級寫實的互動世界。它會同步生成音樂、環境聲和互動對話,連貫場景最長約兩分鐘,是 Genie 3 60 秒上限的兩倍;用戶亦可在模擬進行期間以自然語言更改天氣、移動鏡頭或加入人物和物件。
Qwen3.8-Flash 原生支援 100 萬 Token 上下文,文章解析其 GDN+QSA 混合稀疏注意力、四分支門控殘差結構及 API 接入方式。模型每次推理僅啟用 6B 參數,文檔預填充速度提升 7 倍以上,並兼容 OpenAI 與 Anthropic 協議。文章亦列出按量計費及 Token Plan 價格。
Google 發佈新一代世界模型 Genie 4,最長連續模擬時間增至約 2 分鐘,為前代 Genie 3 的兩倍,並首次原生同步生成音影片。用戶可在模擬期間以自然語言即時調整場景,指令無需重新生成便會生效。目前 Genie 4 以研究預覽形式向少量經篩選的測試者開放;長時間模擬仍有物體漂移,複雜物理互動及場景長期一致性問題尚未解決。
Viggle 公開 JST‑2 Motion 技術細節,這個 JST‑2 世界模型配套模組支援文本生成全身動作及影片重建 3D 人體運動,生成結果可直接適配 JST‑2 角色。
Google DeepMind 推出 Genie 4 世界模型,Sundar Pichai 稱其為 Google 迄今最逼真、最具互動性的世界模型。用戶可用自然語言即時改變天氣、鏡頭及場景中的角色或物件,模型亦可在同一過程中同步生成音畫。目前 Genie 4 僅以研究預覽形式向「受信任測試者」開放;長時間模擬的細節漂移、音訊準確性和畫面內文字可讀性仍未完全解決。
IT早報彙總張一鳴以 6700 億元刷新中國首富財富紀錄、Google DeepMind 推出世界模型 Genie 4,以及 Apple 為 14 吋 MacBook Pro 推出 M6 版本等科技資訊。
Google DeepMind 於 2026年10月28日推出世界模型 Genie 4 研究預覽版,支援虛擬世界即時互動模擬,並同步生成音樂、環境音及對話音訊。
Google DeepMind 發佈新一代世界模型 Genie 4,單次模擬時長由約一分鐘延至 120 秒,並升級真實感、物理模擬和互動能力。Google 將 Gemini 引入世界模擬,由大語言模型規劃行動、Genie 4 即時生成環境。用戶可透過文字生成可探索的虛擬世界,並在運行期間輸入提示詞改變場景,亦可聽到與世界同步生成的原生音訊。
Prime Intellect RL Residency 的研究提出 Visual Harness,透過裁剪、縮放及測量圖像,把複雜視覺問題拆解為子任務,拓展模型可解問題的範圍。GPT‑6 Luna 在 xhigh 推理檔位啟用框架後,Pass@1 由 57.1% 升至 63.5%,Pass@8 由 75.4% 升至 82.4%。研究亦指出,部分題目仍難以在多次嘗試中穩定答對。