Genie 3

是什么

Genie 3 是 Google DeepMind 的通用世界模型（world model），由 Jack Parker-Holder 和 Shlomi Fruchter 于 2025 年 8 月 5 日公布^[1]。世界模型指的是学习模拟环境行为的系统：人能够走进去，AI 智能体也能在里面行动并看到后果。Genie 3 用一段文字提示生成这样的环境，而且生成的世界是可以进入的，不只是可以观看的——它可以实时导航，帧率为每秒 24 帧，渲染分辨率为 720p^[1]。它是 Genie 系列中第一个支持实时交互的世界模型^[1]。

怎么撑住一个世界

交互式生成既是渲染问题，也是记忆问题。如果模型忘了自己刚刚画了什么，世界就会在用户背后悄悄变样。Genie 3 生成的世界能保持几分钟的一致性，视觉记忆约回溯一分钟^[1]。这个时间窗口决定了它目前能提供的东西：一个可以走进去、也能回头看的场景，长度以分钟计^[1]。

可提示的世界事件

世界运行过程中，用户可以用文字改动它：改变天气，添加物体或角色。Google DeepMind 把这类操作称为「可提示的世界事件（promptable world events）」^[1]。它们不只是好玩：这类事件可以构造假设情境（what-if），因此被当作帮助智能体为意外情况做准备的手段^[1]。这里有一处区别值得留意——Genie 3 中的环境干预不一定由智能体自己执行^[1]。世界可能因为智能体没有参与的原因而改变，这正是「意外」之所以意外的地方。

当智能体的试验场

Google DeepMind 用 Genie 3 的世界测试了 SIMA 智能体的一个版本，该智能体通过向模型发送导航动作来追求目标^[1]。世界模型在智能体语境里的用处正在于此：模型提供环境，智能体提供行为，于是世界变成一个可以评估智能体的地方，而不是一套事先写好的固定关卡。

已说明的局限

公布时提到的局限有三条：动作空间有限；难以建模多个相互作用的智能体；交互只持续几分钟^[1]。每一条指向不同的约束。动作空间是行动者被允许做出的动作集合，如果它很窄，这个世界就是可以穿行、却难以真正操作的世界。多智能体建模之所以重要，是因为两个智能体同时改动同一个世界时，彼此的改动必须相互一致。几分钟的时间上限，则与模型记忆能回溯多远直接相关。

为什么重要

值得注意的不是单个数字，而是几件事叠在一起：生成一个世界是一种能力；让这个世界以每秒 24 帧响应、并在几分钟内保持一致，是另一种能力；在运行中用一句话改动世界，是第三种^[1]。合起来，它才像一个能按模拟器的方式使用的东西——把智能体放进去看它会怎么做，而不必有人手工搭建那个地方。

发布

Genie 3 以有限研究预览的形式发布给一小群学者和创作者^[1]。这是一个刻意收窄的开口：系统先被展示和研究，而不是作为成品交付。