Google apresenta o Genie 4, world model que gera ambientes interativos fotorrealistas

O Genie 4 é um world model que gera ambientes interativos em tempo real, controlados por teclado para navegação e câmera e por prompts de texto para alterar a cena. A DeepMind diz que ele é nativamente multimodal: música, sons ambientes e diálogos interativos são gerados junto com o mundo. É o primeiro world model em tempo real da empresa com áudio nativo. O modelo usa capacidades da família Gemini: o Gemini Omni ancora a aparência e o comportamento do mundo real, e outros modelos Gemini fazem o raciocínio para manter coerência e continuidade.

Na prática, o Gemini 3.8 Flash atua como agente no loop. Ele observa os quadros, quebra metas em etapas e verifica se cada uma foi cumprida, adaptando o plano quando o usuário intervém. A DeepMind também testou o Gemini 4 Argon com o Genie 4 em conjunto com o Gemini Robotics: o Argon divide a tarefa em passos, que entram como legendas de texto durante a renderização. Ainda é pesquisa. A empresa admite que detalhes visuais e permanência de objetos podem derivar com o tempo, e que física complexa, precisão de áudio, texto legível e consistência de longo prazo seguem em aberto. Todo vídeo e áudio leva marca SynthID.

Em 27 de outubro de 2026, o CEVIU noticiou "Google DeepMind anuncia Genie 4, world model multimodal com áudio nativo e simulação em tempo real", o primeiro registro do anúncio. A matéria de 28 de outubro de 2026 acrescenta o detalhamento técnico: o papel do Gemini 3.8 Flash como agente guia, o experimento com Gemini 4 Argon e as limitações admitidas. Em 19 de outubro de 2026, o CEVIU havia coberto "Google DeepMind Lança Gemini 4 Argon: IA Multimodal para Robótica com Baixa Latência", modelo que agora aparece ligado ao Genie 4 em testes de simulação. Já em 7 de junho de 2026, o CEVIU noticiou "Google lança Project Genie: simule locais reais com IA e Street View", e o Project Genie é justamente a porta de entrada prevista para o Genie 4, para assinantes do Google AI Ultra.

Para quem trabalha com agentes e robótica, o ponto central é a ideia de usar o mundo gerado como ambiente de teste, com um modelo de linguagem planejando e verificando etapas. Isso pode baratear a criação de cenários de treino, mas é leitura nossa: a própria DeepMind lista deriva visual e física imprecisa como problemas abertos. Por enquanto o acesso é só para testadores e lista de espera, então não há como medir custo ou latência por conta própria.