输入一句话，实时生成一个可交互世界：谷歌DeepMind发布Genie 4，世界模型首次开放API

Genie 4 是什么：实时、照片级、自带声音的世界

谷歌 DeepMind 本周发布了 Genie 4——迄今为止最真实、最具交互性的世界模型。用户输入一句自然语言，就能实时生成一个可自由探索的动态 3D 世界：世界里有物理规律，有环境声，还有能开口对话的人物。这也是世界模型第一次通过 API 对外开放。在此之前，"世界模型"更多停留在论文与演示视频里，Genie 4 把这个研究方向的门槛直接拉到了开发者和创作者面前。

根据 DeepMind 公布的信息，Genie 4 构建于 Gemini 之上，主打实时交互模拟与照片级真实感。与以往"生成一段视频给用户看"的世界模型不同，Genie 4 生成的是一个可以走进去、实时改变的世界：自然语言描述即可控制世界的动态演化，物理模拟保证世界的运转符合直觉，角色会对环境变化作出反应，甚至能与用户实时对话。它还是首个在实时世界模型中原生生成音频的模型——环境声与人物语音不再需要后期配音。

最具标志性的信号是 API。谷歌 Gemini API 负责人 Logan Kilpatrick 已确认，Genie 4 将成为首个通过 API 提供的前沿世界模型，具体上线日期尚未公布。沃顿商学院教授 Ethan Mollick 提前实测后的感受是：给出一段提示词，大约一分钟就能生成一个可探索、可编辑的游戏世界，"与两年前世界模型连《毁灭战士》都难以复制的水平相比，这是真正的代际跳跃"。

世界模型的三年进化：从"会动的画面"到"可进入的空间"

回看 Genie 系列的时间线，就能理解这次更新的分量。第一代 Genie 只能从图片生成 2D 平台跳跃游戏；此后每一代都在向"更立体、更实时、更一致"攀爬：从可玩的 3D 场景，到能长时间保持一致性的实时世界，再到今天支持对话、物理与声音的 Genie 4。三年时间里，世界模型完成了从"会动的壁纸"到"可进入的空间"的转变。

这个转变的产业含义相当直接。对游戏与内容行业，"输入一句话、实时演一个可交互世界"意味着原型预可视化、关卡设计和互动叙事的制作成本被大幅压缩；对 AI 行业来说，可实时交互的环境正是训练智能体最理想的练兵场——智能体需要在一个"可以走错、可以重来"的世界里学习长程决策，而世界模型恰恰能近乎无限量地制造这样的世界。值得注意的是，Genie 4 的"实时"二字对推理效率提出了更高要求：生成的世界要在用户操作的瞬间作出响应，这意味着世界模型的竞争正在从"画质"扩展到"帧率"与"延迟"，也与端侧推理、模型小型化等当下热门方向形成合流。

具身智能的另一条战线：数据引擎同步提速

世界模型在"造环境"，另一批公司则在"造数据"。英伟达本周开源了 Flora 机器人视频自动标注引擎：依托多模态大模型，直接对 RGB 视频做动作识别、事件标注与场景理解，单小时视频标注成本低至 0.72 美元，较纯人工方案降低约 125 倍。工具还支持数据增强、幻觉校验与一键导出训练数据集，可直接对接具身智能模型的训练流程。机器人没有互联网文本那样取之不尽的语料，每一项操作技能都依赖真实世界的采集与标注，这正是过去一年具身智能公司密集融资的核心逻辑；Flora 这类工具的出现，等于把数据生产的成本曲线整个砍掉一个数量级。

数据便宜了，落地就近了。中科慧灵本周宣布完成数亿元人民币 A++ 轮融资，由知来投资、涌铧投资等机构联合投资。其轻量化 CASBOT PA 感知到动作模型支持单张消费级 GPU 训练，并已在莆田一家制鞋工厂的真机工位开展验证：大底盖章作业节拍 7 秒/个、鞋底压合 18 秒/双，公司称相关解决方案年投资回报率约 50%—70%，2026 年在手制鞋机器人订单总额已超过 4 亿元，设备排产步入数千台量级。从演示视频到按秒计价的工厂节拍，具身智能的商业化正在以"工序"为单位向前推进。

科学信号：人类最大数学证明被 AI 完整形式化

同一周的天空下，另一条关于"AI 能做什么"的新闻来自数学界。Axiom Math 宣布完成了有限单群分类定理的完整 Lean 形式化——这是人类历史上规模最大的数学证明，横跨 500 多篇论文、约 1.5 万页篇幅。更受关注的是过程本身：一个 AI 智能体集群在 24 天内产出数千万行 Lean 代码，并逐行通过机器验证。

与近期"AI 宣称攻克科学难题"类新闻相比，这次的性质不同：它不是在提出新猜想，而是把数学家早已证明的结论逐行翻译成机器可检验的形式。Lean 形式化意味着证明的每一步都能被计算机自动核查，数学文献的可靠性第一次有了工业化校验的可能。对 AI 行业而言，这是"机器证明"从玩具题走向人类核心知识库的标志性事件，也再次说明：可验证的任务，正是 AI 最先兑现价值的战场。

模型与产品圈的其余信号

模型侧，LiquidAI 发布了 LFM3 家族：六个覆盖文本、视觉、音频、全模态与决策任务的开源端侧模型，采用新的 tri-hybrid 架构，其中 1.7B 文本模型支持 256K 上下文、4-bit 版本约 1GB 大小，用少 35% 的参数超过了上一代 2.6B 模型，现已在 Ollama 与 Hugging Face 上架。推理引擎厂商 vLLM 核心团队也下场推出 d3-ultra 27B 开源多模态决策模型，主打端侧实时决策与语义路由，可原生适配 vLLM 推理框架。国内研究机构同样有亮点，智源研究院等多家机构发布的 AREX-2 模型以 27B 参数挑战 1.6T 级"巨兽"，靠长程反思能力撬动递归自我改进的新路径。百度则开源了文档解析模型文心 Unlimited OCR 2，这个曾获 LeCun 转发推荐的开源系列累计下载量已达 1000 万。

产品与应用的细节同样热闹。xAI 发布 Grok Bot 0.77，新增外呼电话能力：可以代替用户自主拨打商家与机构电话，完成预约办理、信息查询、工单跟进等事务，支持语音菜单导航与跨部门转接，通话全程实时生成文字转录，结束后自动输出任务摘要——智能体开始从屏幕里走进真实的电话线。Rokid 则发布了第二代 AI 眼镜 Rokid Glasses 2、首款全彩 AI 眼镜 Rokid Color（起售价 4999 元）以及智能戒指 Rokid Ring。图像编辑赛道上，微软 MAI-Image-2.7-Preview 登上 Artificial Analysis 图像编辑榜第二、LMArena 图像编辑竞技场第三，得分 1470，正在逼近 GPT Image 2.5。

结语：生成与验证的成本，同时崩塌

从 Genie 4 的"一句话一个世界"，到 Flora 的"一小时视频 0.72 美元"，再到 Lean 里数千万行被逐行验证的代码，这一周的 AI 行业表面上是模型发布，底层其实是同一件事：生成与验证的成本都在快速下降。当创造世界的工具和检验真理的工具同时变得便宜，接下来比拼的，是谁先把它们用进真实的生产线与业务流程。