Genie 4: переконливому світу потрібна перевірка сталості
Google DeepMind описує нативний звук і керування Genie 4 у реальному часі. За списком обмежень я почав би зі збереження об’єктів, перш ніж довіряти симуляції.
Коротко
Google DeepMind описує нативний звук і керування Genie 4 у реальному часі. За списком обмежень я почав би зі збереження об’єктів, перш ніж довіряти симуляції.
Аналіз і запропонований тест, не випробування продукту
Що пропонує анонс
Червоний куб зникає за стіною. Коли камера повертається, чи це той самий куб на тому самому місці? Це моє запитання для майбутньої оцінки, а не звіт про тест Genie 4. Я прочитав анонс Google DeepMind від 27 жовтня та явні обмеження. Переконливий вигляд світу ще потребує перевірки надійності стану.
Google описує Genie 4 як модель світу реального часу з нативним фоновим звуком, музикою та інтерактивним діалогом. Текстом можна змінювати погоду, камеру, об'єкти й людей. За анонсом Gemini Omni допомагає з виглядом і поведінкою, інші моделі Gemini підтримують зв'язність. Це описи постачальника, не повторені мною вимірювання.
Два види роботи в одному циклі
Докладний допис описує, як Gemini 3.8 Flash спостерігає кадри, ділить ціль на кроки й перевіряє поступ, поки Genie 4 генерує світ. Згадано експерименти з Gemini 4 Argon і робототехнікою. Я бачу поділ планування та сенсорної генерації: планувальник просить наступну подію, але отриманий кадр усе одно слід перевірити.
Запис у плані, що куб залишився на столі, не доводить його збереження в сцені. Правдоподібний звук удару теж не підтверджує положення, час та ідентичність об'єкта. На мою думку, ці перевірки мають залишатися в протоколі оцінки, а не випливати з гарного демо.
Постачальник називає обмеження
DeepMind пише, що короткі сеанси можуть залишатися зв'язними, але деталі та сталість об'єктів можуть дрейфувати за довшої роботи, складних змін промпта чи навігації. Складні фізичні взаємодії, точність звуку, читабельний текст, просторова точність і довготривала узгодженість лишаються предметами дослідження. Тому фізичну достовірність не слід виводити з візуальної реалістичності.
Доступ обмежений: Genie 4 є дослідницьким прев'ю для довірених тестувальників. Google обіцяє доступ підписникам Google AI Ultra в Project Genie та партнерам раннього доступу Gemini API й AI Studio. Це не загальнодоступний API. Перевірені сторінки не встановлюють відкриту ціну, публічну квоту чи гарантовану дату запуску.
Невеликий план оцінки
Для дозволеного тесту я обрав би об'єкт, записав початкові положення й вигляд, сховав його за перешкодою, пересунув камеру й відкрив знову. Другий прохід змінив би погоду без прохання змінювати об'єкт. Третій перевірив би узгодження видимого контакту та звуку. Це запропоновані перевірки, я не виконував їх на Genie 4.
Слід зберегти послідовність промптів, доступну версію моделі й режиму доступу, час і кадри для кожного судження. Неясне або закрите спостереження позначати unknown, не зараховуючи успіх. Повтори в різних сеансах покажуть мінливість, яку один відібраний запис приховує. Приклад Python нижче лише підсумовує ручні оцінки; рядки вигадані.
Пояснювальний код; не запускався на продукті.
from collections import Counter
# Fictional, manually entered observations. Not Genie output.
checks = ["pass", "fail", "unknown", "pass"]
counts = Counter(checks)
assert set(counts) <= {"pass", "fail", "unknown"}
print(dict(counts))
# {'pass': 2, 'fail': 1, 'unknown': 1}
З чого я почав би
Анонс описує роботу тестувальників над превізуалізацією, досліджуваними прототипами й генерацією сценаріїв. Це розумний початок для інструмента, узгодженість якого ще досліджують. Режисер оцінює чернетку за допомогою у виборі руху камери. Робототехнічний тест вимагає окремого стандарту переходів стану. Ці критерії не взаємозамінні.
DeepMind повідомляє про водяні знаки SynthID у відео й аудіо. Це міра походження, не перевірка фізики. За появи доступу я почав би з документованої оцінки сталості, зберігаючи провали й невідомі випадки поруч із вдалими сценами.