Présentation du modèle Genie 4

Google a annoncé le modèle « Genie 4 », qualifié de « world model » capable de créer des expériences interactives. Le système produit des environnements d’une durée d’environ deux minutes, soit le double du temps supporté par le modèle précédent, Genie 3, limité à une minute. Cette extension de durée vise à enrichir les scénarios de pré‑visualisation cinématographique, de prototypage de jeux vidéo et de formation de robots.

Le lancement s’effectue sous forme de « research preview » réservé à des testeurs de confiance, avant une mise à disposition aux abonnés de Google AI Ultra via une liste d’attente. Aucun accès public n’est encore proposé, ce qui limite l’évaluation indépendante du modèle.

Mécanismes techniques et améliorations

Genie 4 intègre quatre évolutions majeures. Premièrement, il génère des mondes visuellement plus réalistes, grâce à une amélioration du rendu spatial et de la cohérence des textures. Deuxièmement, il accepte des mises à jour en temps réel via des invites en langage naturel, permettant à l’utilisateur de modifier l’environnement pendant son exécution. Troisièmement, le modèle ajoute la génération audio synchronisée, ce qui crée une couche sonore adaptée aux actions du scénario. Enfin, le cœur du système repose sur Gemini 3.8 Flash, le moteur de génération de texte et de vision de Google, réutilisé pour piloter les simulations.

Le recours à Gemini 3.8 Flash implique que les calculs de physique et de rendu sont orchestrés par un réseau de transformeurs optimisé pour le multimodal. Cette architecture réduit la latence entre la réception d’une instruction textuelle et la mise à jour visuelle, mais elle augmente la charge GPU, notamment lorsqu’une scène dépasse la minute de durée. Le doublement de la longueur d’expérience impose donc une consommation énergétique supérieure et nécessite une gestion fine de la mémoire pour éviter les pertes de persistance d’objets.

Implications et limites

Le gain de réalisme ouvre des possibilités concrètes pour les studios de production qui peuvent tester des story‑boards sans recourir à des moteurs de jeu traditionnels. De même, les équipes de robotique peuvent simuler des environnements d’entraînement plus complexes, incluant des sons contextuels. Cependant, Google signale que, à mesure que les simulations s’allongent, la « permanence des objets » peut se détériorer : les éléments du décor peuvent disparaître ou changer d’apparence, signe d’une dérive de l’état interne du modèle.

Cette limitation provient probablement d’une fenêtre contextuelle fixe dans le transformeur, qui ne conserve pas l’historique complet au-delà d’un certain nombre de tokens. Sans mécanisme de rappel explicite, le modèle ne peut garantir la stabilité des entités sur de longues séquences. Les développeurs devront donc concevoir des stratégies de rafraîchissement d’état ou de segmentation de scènes pour pallier ce problème.