DeepMind plantea modelos de mundo híbridos, en los que Gemini planifica y Genie 4 genera lo que se ve y se oye. La empresa reconoce que la coherencia se degrada en sesiones largas.
Google DeepMind presentó Genie 4, un modelo de mundo para simulación interactiva en tiempo real que, a diferencia de su predecesor, genera audio junto con las imágenes. El anuncio fue publicado el 27 de octubre de 2026 en el blog de Google DeepMind, con la firma de Raia Hadsell, Diego Rivas y Hang Qi.
Por ahora, Genie 4 está disponible como vista previa de investigación para un grupo de evaluadores de confianza. Según el anuncio de Google, llegará próximamente a los suscriptores de Google AI Ultra a través de Project Genie, y a socios con acceso anticipado en la API de Gemini y en Google AI Studio. Google no informó fechas, regiones ni precios específicos.
Qué hace Genie 4
El modelo genera entornos que el usuario recorre con controles de teclado y que puede modificar mientras se ejecutan mediante instrucciones en lenguaje natural: cambiar el clima, mover la cámara o agregar personas y objetos. DeepMind lo describe como su primer modelo de mundo en tiempo real que genera audio de forma nativa, incluidos sonido ambiente, música y diálogo hablado que se adapta a la interacción.
Genie 4 se apoya en la familia Gemini. Según DeepMind, Gemini Omni ancla las simulaciones en la apariencia y el comportamiento del mundo real, mientras otros modelos Gemini aportan el razonamiento necesario para mantener la coherencia. La empresa también describe a Gemini 3.8 Flash actuando como agente guía: observa la escena, divide un objetivo en pasos, revisa los cuadros generados para comprobar si cada paso se cumplió y corrige su plan cuando el mundo cambia o el usuario interviene.
El blog de DeepMind no publica resolución, cuadros por segundo ni duración de las sesiones. TechCrunch informa que Genie 4 mantiene la coherencia de una escena hasta por dos minutos, el doble que su predecesor. Como referencia, Genie 3, anunciado en agosto de 2025, generaba mundos a 720p y 24 cuadros por segundo, con memoria visual de alrededor de un minuto.
Usos que exploran los evaluadores
DeepMind menciona cuatro áreas de prueba: previsualización para cine, con varias «tomas» de una escena en las que se ajustan cámara, iluminación, diálogo y acción; escenarios históricos, como convertir una fotografía de archivo en un entorno simulado o visualizar inundaciones e incendios forestales; prototipos de videojuegos y experiencias; y generación de escenarios de simulación para empresas.
La empresa también describe experimentos con Gemini Robotics. En uno de ellos, Genie 4 simula al robot humanoide Apollo, de Apptronik, jugando damas, mientras un modelo Gemini divide la tarea en pasos que se generan en tiempo real. La idea, según TechCrunch, es que los escenarios de robótica puedan probarse primero en simulación.
La apuesta por modelos híbridos
DeepMind plantea que el siguiente paso son los «modelos de mundo híbridos», que combinan el razonamiento estructurado de los modelos de lenguaje con la simulación a nivel de píxel: Gemini planifica la narrativa y la estructura, y Genie genera cómo se ve, se oye y responde el mundo. En una sesión informativa citada por TechCrunch, Tejas Kulkarni, director de investigación en Google, sostuvo que este tipo de modelos será cada vez más común.
Diego Rivas, ingeniero de Google DeepMind, matizó ante el mismo medio que la interacción en tiempo real resulta más útil hoy para idear y armar guiones gráficos, que el modelo está en una etapa temprana y que todavía no está clara la experiencia de producto completa.
Limitaciones reconocidas
DeepMind señala que Genie 4 sigue siendo un área de investigación temprana. Entre los aspectos en desarrollo menciona que los detalles visuales y la permanencia de los objetos pueden desviarse, sobre todo en sesiones largas, tras varias ediciones complejas o durante la navegación. También reconoce limitaciones en interacciones físicas complejas, precisión del audio en tiempo real, generación de texto legible, precisión espacial y coherencia a largo plazo.
En materia de seguridad, la empresa indica que realizó evaluaciones internas antes de la vista previa, que el modelo incluye las mismas salvaguardas que sus otros modelos y que todo el video y audio generado llevará la marca de agua digital SynthID. Los resultados de esas evaluaciones no fueron publicados.
Un campo con más competidores
TechCrunch sitúa el anuncio en un mercado de modelos de mundo cada vez más concurrido: menciona que Runway lanzó hace un par de meses GWM Worlds 2, un modelo interactivo que también genera audio, y que World Labs, la empresa de Fei-Fei Li, está en proceso de ser adquirida por AMD.
Fuentes
- Google DeepMind: Genie 4, a new generation of world simulation (27 de octubre de 2026)
- Google: Introducing Genie 4
- TechCrunch: Google’s Genie 4 world model adds audio, more realistic worlds, and real-time steering
- Google DeepMind: Genie 3, a new frontier for world models (agosto de 2025)
- Google DeepMind: Gemini Robotics
Ilustración: Captura del sitio de Google DeepMind.
📬 Newsletter gratuito
