几乎一夜之间，Google DeepMind 的 Genie 3 在科技圈刷屏了！！！

Google DeepMind 于 2025 年 8 月 5 日正式发布 Genie 3，这是一款能够根据单一文本提示生成可实时交互的 3D 虚拟世界的 AI 模型。用户可在 720p 分辨率与 24 FPS 的条件下，多分钟地实时探索环境，支持用户和其他 AI 代理参与交互过程。与先前仅支持 10–20 秒的 Genie 2 相比，Genie 3 显著延长互动时长，并具备强记忆能力 — 即使目标不在视线范围内，模型仍能“记住”其位置。

Genie 3 首次实现场景中对象不可见时依然持久存在，这种视觉短期记忆（memory horizon）约为 1 分钟，有些环境甚至可持续保持连贯多分钟。

视频实例演示：直观了解 Genie 3 的能力

DeepMind 官方发布的视频演示展示 Genie 3 的交互机制：

在文字提示下，生成者能够即时创建可探索的虚拟世界；
用户可用键盘鼠标移动，推动角色探索环境；
环境中对象，如树木、岩石，甚至绘画痕迹，都能随着导航操作保持一致；
支持“promptable world events”，用户可随时文本修改环境，例如改变天气、添加角色等。

核心特性剖析

实时生成 + 长效一致性

Genie 3 能以自回归方式逐帧生成画面，每秒响应用户输入进行帧更新；系统内部跟踪用户先前路径与实时动作，确保环境连贯一致。例如重新经过已访问区域时，原先放置的物体依然保持原位，可视为视觉记忆机制的关键突破。

promptable world events

Genie 3 支持文本驱动的“世界事件”，例如用户发出“在雪地里下雪”或“增加一群鹿”的提示后，环境会即时响应，增加互动深度与可塑性。

多样性与物理模拟能力

模型能够生成多种风格的真实世界或奇幻场景，例如火山地形、海洋深潜、雪山丛林，甚至未来城市与浮空岛等架构，包含水流、雨滴、风力等物理效果模拟，具有高度视觉丰富性和自然行为表现。

应用于 AGI 和机器人训练

DeepMind 认为此类世界模型在培养可训练 AGI 代理与 3D 环境中自主行动实验中具有关键作用，例如在虚拟仓库环境训练机器人决策、路径规划等任务。其表现已应用于内部代理 SIMA 实验，展示可信度与适用性。

⚠ 限制与待改进方向

限制项当前状态动作空间有限用户和 AI 代理可执行的动作仍较基础，复杂交互尚不完善
多代理交互模拟多个独立自主行为体（agents）仍具挑战性
地理精度不足无法完全模拟真实世界地理位置，只支持虚拟风格场景
文本渲染差环境中的可视文本显示仅限于提示输入，清晰度不稳定
互动时长限制目前支持连续互动为“几分钟”，不适合超长期会话场景

背景与技术发展脉络

Genie 1（2024年初）支持 2D 横向世界生成，帧率低、可交互性弱；
Genie 2（2024 年底）迈入 3D 场景但仅 360p 15 FPS，交互时间短（10–20 秒）且多存在连贯性缺失；
Genie 3 显著提升至 720p 24 FPS，并支持多分钟连贯互动，成为首个真正可实时交互