公开视频竞技场只对预先渲染好的片段投票，因此目前还没有针对实时自然语言操控的公开基准测试。
返回今日热点: 谷歌Genie 4 AI搭建可漫游的世界；目前只对受邀测试者开放
Poly 榜单 · 来自今日热点
按证据缺口排序的Genie 4宣称（2026年）
谷歌自己的帖子称，Genie 4的世界在多次提示词修改后可能会漂移，而这正是它的主打功能；目前还没有任何公开基准测试能在有人行走时修改世界。
- 第1名：Genie 4实时提示词操控（天气、镜头，添加人或物体）
- 10 个名次
01最终榜单
领先的 AI 各自独立编制了十项榜单。这里是一份便于核对的汇总：每个名次都有理由、来源，以及列入它的 AI。
排序依据：按 AI 认同度从高到低。
亮色标签表示该 AI 把这一项列入了自己的榜单，暗色标签表示没有。
- 1
Genie 4实时提示词操控（天气、镜头，添加人或物体）
这是主打功能，谷歌称它会在“多次提示词修改”后漂移。没有任何公开基准能在行走途中修改世界，也没有外部测试人员实际上手试过。
已列入: Claude, Gemini. 未列入: ChatGPT, Grok, Nova, Kimi, Wenxin, Qwen, StepFun, DeepSeek.在各自榜单中的名次: Claude: 1 · Gemini: 查看列表
2 个 AI 列入此名次 - 2
Genie 4长时程记忆与一致性
谷歌列出长期一致性为尚未解决的问题。iWorld-Bench的最佳记忆得分，在论文摘要中为0.85，在实时排行榜上为0.91。Genie 4两者都未经测试。
已列入: Claude, Gemini. 未列入: ChatGPT, Grok, Nova, Kimi, Wenxin, Qwen, StepFun, DeepSeek.在各自榜单中的名次: Claude: 5 · Gemini: 1
每个 AI 的看法 2
- Claude第 5 名
两分钟，是 Genie 3 的两倍，但谷歌自己的文章只说“几分钟”，并把长期一致性列为尚待研究的课题。
- Gemini第 1 名
在 iWorld-Bench 上，14 个前沿世界模型中没有一个在记忆对称性上超过 0.85，这使谷歌“无缝返回”的承诺成为差距最大、无法验证的一项。
来源 ↗
2 个 AI 列入此名次 - 3
Genie 4用于训练AI智能体和机器人
训练智能体的卖点，只靠一个人形机器人下跳棋的演示（阿普特罗尼克Apollo）。两份回答都没有找到已发表的、从模拟到现实迁移的数据。
已列入: Claude, Gemini. 未列入: ChatGPT, Grok, Nova, Kimi, Wenxin, Qwen, StepFun, DeepSeek.在各自榜单中的名次: Claude: 3 · Gemini: 3
每个 AI 的看法 2
- Claude第 3 名
智能体训练的故事只依赖一个人形跳棋实验，而一位评论者认为，Genie 如今更像一个可控的视频生成器。
来源 ↗ - Gemini第 3 名
它被定位为自主机器人的训练引擎，但该展示并未附带任何已发布的仿真到现实机器人策略迁移数据。
2 个 AI 列入此名次 - 4
Genie 4原生音频与互动对话
谷歌称它是“首个原生生成音频的实时世界模型”，并表示音频准确度仍在提升。有位测试人员在提示词要求萨克斯时，听到的却是单簧管。
已列入: Claude, Gemini. 未列入: ChatGPT, Grok, Nova, Kimi, Wenxin, Qwen, StepFun, DeepSeek.2 个 AI 列入此名次 - 5
Genie 4物理效果（空气动力学、碰撞、水）
The New Stack的标题称物理效果“仍不太对”，谷歌也把复杂的物理互动列为尚未解决的问题。
已列入: Claude, Gemini. 未列入: ChatGPT, Grok, Nova, Kimi, Wenxin, Qwen, StepFun, DeepSeek.2 个 AI 列入此名次 - 6
Genie 4照片级真实感、光照与材质
这一说法的缺口最小。观众称赞光照和材质，不过有一段“照片级真实”的片段看起来像电子游戏。盲测竞技场投票至少能比较离线片段。
已列入: Claude, Gemini. 未列入: ChatGPT, Grok, Nova, Kimi, Wenxin, Qwen, StepFun, DeepSeek.2 个 AI 列入此名次 - 7
Genie 4角色与多智能体行为（Gemini Omni落地能力）
谷歌承认，对多个独立智能体进行建模“仍是一个开放的研究问题”。Gemini Omni的角色落地能力，只出现在谷歌的演示视频中。
已列入: Claude, Gemini. 未列入: ChatGPT, Grok, Nova, Kimi, Wenxin, Qwen, StepFun, DeepSeek.在各自榜单中的名次: Claude: 7 · Gemini: 5
每个 AI 的看法 2
- Claude第 7 名
谷歌承认，对多个独立智能体之间的交互进行建模，“仍是一个开放的研究问题”。
来源 ↗ - Gemini第 5 名
谷歌声称多模态推理模型能保持非玩家角色行为连贯，但多智能体编排在快速分支的提示之后常常失去同步。
2 个 AI 列入此名次 - 8
Genie 4 SynthID水印
这是一项流程性的说法，而不是性能指标，等输出公开后很容易核验。目前还没有第三方证实水印在直播流中能够保留。
已列入: Claude, Gemini. 未列入: ChatGPT, Grok, Nova, Kimi, Wenxin, Qwen, StepFun, DeepSeek.在各自榜单中的名次: Claude: 10 · Gemini: 10
每个 AI 的看法 2
- Claude第 10 名
这是一个程序性的说法，而不是性能说法，但一旦输出公开，最容易核实。
来源 ↗ - Gemini第 10 名
谷歌的数字来源痕迹在技术上已经确立，但仅在低延迟帧降采样后能否留存这一点上存在证据缺口。
2 个 AI 列入此名次 - 9
Genie 4借助Gemini 3.8 Flash做活动策划
一个推理模型会先规划、逐步检查，并在世界变化时修正，但没有任何已发表的测试衡量它在生成的世界里能否按计划执行。
已列入: Claude. 未列入: ChatGPT, Gemini, Grok, Nova, Kimi, Wenxin, Qwen, StepFun, DeepSeek.在各自榜单中的名次: Claude: 4
每个 AI 的看法 1
- Claude第 4 名
一个推理模型会规划、检查每一步并加以修改，但没有任何已发布的测试显示它能保持世界的连贯性。
来源 ↗
1 个 AI 列入此名次 - 10
Genie 4用于电影、新闻、教育、游戏和工程
列出了五个测试领域，包括电影“草稿模式”和把老照片变成世界，但没有测试人数或结果。有些测试人员称输出画面“模糊”。
已列入: Claude. 未列入: ChatGPT, Gemini, Grok, Nova, Kimi, Wenxin, Qwen, StepFun, DeepSeek.在各自榜单中的名次: Claude: 8
每个 AI 的看法 1
- Claude第 8 名
文章点名了真实的使用场景，但没有给出测试人数、样本量或量化结果。
来源 ↗
1 个 AI 列入此名次
02值得了解
AI 在编制榜单时注意到的内容。
评论者称，Genie 4对画面内的物体能保持连贯，但物体离开又回来时就会出错。用于训练智能体的模拟器，恰恰需要这种情况正常运作。
规划由Gemini负责，世界由Genie渲染，因此很难分辨每项成果应归功于哪个模型。
03我们如何统计
用大白话讲，不用公式。
1问题
按证据缺口排序的十大Genie 4宣称
2适用范围
全球AI世界模型
3考量标准
- 谷歌发布会与演示中公开宣称的力度
- 独立报道：记者说测试人员看到的内容，与谷歌所陈述的对比
- 基准覆盖：现有的公开测试能否衡量这项宣称
- 失败后果：承认的局限若出现在真实工作流程中，会造成多大损害
- 谷歌DeepMind：Genie 4官方帖子——宣称内容，以及谷歌自己的保留说明（漂移、物体恒存性、音频准确度、多智能体互动）。它没有给出分辨率、帧率、会话时长或
- Quartz发布报道——谁能使用（仅限可信测试人员）、键盘移动、Gemini Omni和Gemini推理模型如何配合，以及彭博社报道的每次模拟约两分钟的限制
- 硅角发布报道——推出计划，以及两分钟的一致性窗口，被描述为Genie 3限制的两倍
- Android Authority发布报道——记者实际能看到的内容：谷歌自己的视频、受限的访问权限，没有公布分辨率
4谁来排名
领先的 AI：Claude, ChatGPT, Gemini, Grok, Nova, Kimi, Wenxin, Qwen, StepFun, DeepSeek。每个 AI 独立编制自己的十项榜单，并为每个名次注明来源。
5名次如何确定
不同 AI 以不同说法写出的同一项被视为一项。把某项列入榜单的 AI 越多、排得越靠前，它的名次就越高。“AI 共识”表示有多少个 AI 在自己的榜单中列入了该项。来源仅限 AI 自己找到的，没有任何人工添加。
04各个 AI 的单独榜单
🇺🇸 Claude10 个名次 · 3 条备注
同一个问题，仅由 Claude 回答。上方的最终榜单综合了所有 AI。
- 1实时用自然语言引导正在运行的世界（天气、镜头、加入人或物体）
头条功能是谷歌自己说“多次提示编辑”后就会失效的那一项，而且没有任何公开测试会在行走途中编辑世界。
来源 ↗ - 2根据用户输入即时调整的互动对话（原生音频）
“首个原生实时生成音频的世界模型”，但有一位评论者在提示要萨克斯时听到的却是单簧管。
来源 ↗ - 3训练智能体和机器人的实用性（SIMA、Gemini Robotics、阿普特罗尼克 Apollo 下跳棋）
智能体训练的故事只依赖一个人形跳棋实验，而一位评论者认为，Genie 如今更像一个可控的视频生成器。
来源 ↗ - 4由 Gemini 3.8 Flash 引导的复杂事件模拟
一个推理模型会规划、检查每一步并加以修改，但没有任何已发布的测试显示它能保持世界的连贯性。
来源 ↗ - 5长时程一致性与记忆（约两分钟）
两分钟，是 Genie 3 的两倍，但谷歌自己的文章只说“几分钟”，并把长期一致性列为尚待研究的课题。
- 6物理模拟（空气动力学、碰撞、流水）
The New Stack 的标题称物理“仍不完全正确”，而谷歌把复杂的物理交互列为尚未解决的问题。
来源 ↗ - 7会移动、会反应、行为自然的角色（包括多智能体互动）
谷歌承认，对多个独立智能体之间的交互进行建模，“仍是一个开放的研究问题”。
来源 ↗ - 8内测者在影视、新闻、教育、游戏和工程领域的价值
文章点名了真实的使用场景，但没有给出测试人数、样本量或量化结果。
来源 ↗ - 9“最逼真”的写实画面、光照与材质
最可测试、也最有支撑的说法：评论者称光照和材质明显优于上一代。
来源 ↗ - 10所有生成的视频和音频都加 SynthID 水印
这是一个程序性的说法，而不是性能说法，但一旦输出公开，最容易核实。
来源 ↗
Claude 注意到的内容
谷歌自己的文章没有列出分辨率、帧率、会话时长或测试人数。报道中最具体的数字——两分钟——来自媒体报道。
Hacker News 的评论者称，Genie 4 在物体留在画面内时能很好地保持连贯，而物体离开再进入时就会失效。这正是智能体训练模拟器最需要的场景。
卖点的一部分是混合设计：Gemini 负责结构和规划，Genie 负责画面、声音和反应。这使得关于 Gemini 模型和 Genie 的说法难以区分。
🇺🇸 Gemini10 个名次 · 2 条备注
同一个问题，仅由 Gemini 回答。上方的最终榜单综合了所有 AI。
- 1长时程记忆与闭环对称性
在 iWorld-Bench 上，14 个前沿世界模型中没有一个在记忆对称性上超过 0.85，这使谷歌“无缝返回”的承诺成为差距最大、无法验证的一项。
来源 ↗ - 2实时自然语言引导与场景变换
像 Artificial Analysis 这样的两两竞技场评估的是静态提示的执行，第三方完全没有对飞行途中的交互式提示引导进行基准测试。
来源 ↗ - 3可扩展的具身智能体训练与模拟到现实迁移
它被定位为自主机器人的训练引擎，但该展示并未附带任何已发布的仿真到现实机器人策略迁移数据。
- 4两分钟连续模拟稳定性
谷歌强调开放式沙盒游戏，但独立记者的简报显示，结构性幻觉出现之前有一个约 120 秒的硬性边界。
- 5基于 Gemini Omni 的动态NPC对话
谷歌声称多模态推理模型能保持非玩家角色行为连贯，但多智能体编排在快速分支的提示之后常常失去同步。
- 6第一人称3D几何与碰撞物理
用键盘导航环境掩盖了物体穿模和边界穿越等持续错误，而正式的物理模拟器是不允许这些错误发生的。
来源 ↗ - 7原生同步多声道空间音频
实时交互式生成对话、脚步声和空间声学，超过了仅有视频的同类产品，但流式负载下的延迟代价仍未披露。
来源 ↗ - 8键盘响应延迟与镜头跟踪
测试人员确认了可用的 WASD 导航，但在本地高带宽设备之外，端到端云端帧渲染延迟波动明显。
- 9写实光照、天气与体积材质
最容易用肉眼验证的说法，且排行榜排名靠前作为支撑；但电影级光照对智能体的功能性能力贡献最小。
来源 ↗ - 10交互音视频全程加 SynthID 水印
谷歌的数字来源痕迹在技术上已经确立，但仅在低延迟帧降采样后能否留存这一点上存在证据缺口。
Gemini 注意到的内容
记忆上限是 2026 年的决定性技术障碍：iWorld-Bench 测试显示，没有任何交互式世界模型的记忆对称性超过 0.85，这解释了为何 DeepMind 的演示片段避免长时间的闭环导航。
Artificial Analysis 视频竞技场等公开排行榜，是为非交互式视频的两两投票而设计的，整个行业因此缺少针对实时自然语言引导的公开基准。