Genie 4-এর রিয়েল-টাইম, অডিও-সক্ষম ওয়ার্ল্ড জেনারেশনে Gemini প্ল্যানারের সংযোজন উন্নত AI ট্রেনিং পরিবেশ তৈরির জন্য একটি গুরুত্বপূর্ণ আর্কিটেকচারাল ব্লুপ্রিন্ট প্রদান করে।
এআই দিয়ে তৈরি সারাংশ। প্রেক্ষাপট ও নির্ভুলতার জন্য মূল প্রতিবেদন দেখুন।
এটি ফিডে পাওয়া অংশবিশেষ। এটি সংক্ষিপ্ত বা প্রকাশকের মূল ভাষায় হতে পারে।
Google DeepMind has released Genie 4 as a research preview for trusted testers. The Genie 4 world model generates explorable worlds from text and image prompts in real time. It also generates the soundscape: ambient noise, music and character dialogue. Users move with keyboard controls and steer events with plain-language prompts. The bigger change is architectural. A Gemini model now runs inside the simulation loop as a planner. That pattern is important for anyone building training environments for agents or robots. TL;DR Runs on: Google-hosted only (Project Genie web app, Gemini API early access). Performance: Photorealistic worlds with native audio and live text steering. Best: Scene consistency for up to 2 minutes, double Genie 3, per TechCrunch’s briefing. Worst: Sessions last a few minutes, and objects drift after repeated prompt edits. What is Genie 4? Genie 4 is a world model from Google DeepMind that simulates interactive environments frame by frame. It is not a video clip generator. Each frame responds to user input as it arrives. DeepMind states that the model is natively multimodal. Audio, music and dialogue are generated together with the visuals. It is DeepMind’s first real-time world model to generate audio natively. It succeeds Genie 3, announced in August 2025. Genie 3 ran at 720p and 24 frames per second, with visual memory reaching back 1 minute. How does Genie 4 use Gemini? Genie 4 borrows from 2 parts of the Gemini family. Gemini Omni anchors the look and behavior of each world. Other Gemini models handle the reasoning that keeps a simulation coherent. The runtime loop works like this: Interpret: When you type a prompt, Gemini adapts it to fit the running scene. Plan: Gemini 3.8 Flash breaks a goal into a sequence of steps. Verify: It reviews incoming frames to confirm each step succeeded. Adapt: If the world shifts or you intervene, it revises the plan. Between user inputs, Gemini also steers the scene so the world keeps pro
উৎসের বিশ্বাসযোগ্যতা, শব্দ ও সত্তার ভিত্তিতে ১–১২ স্কেলে স্বয়ংক্রিয়ভাবে সাজানোর সহায়ক। উচ্চ: ৯–১২; মাঝারি: ৬–৮; নিম্ন: ১–৫। এটি জরুরিতা বা খবরের সত্যতা নির্ধারণ করে না এবং সম্পাদকীয় অনুমোদন নয়।
FlashMap ধারাবাহিক ফ্লো ম্যাপ ব্যবহার করে LLM ডিকোডিংকে সর্বোচ্চ ৬.১৪ গুণ দ্রুত করে, যা দ্রুত, ওপেন‑সোর্স বিকল্প হিসেবে কার্যকর AI ইনফারেন্সের জন্য উপযোগী।
উন্নত শ্রবণ ক্ষমতা সম্পন্ন মেশিন তৈরি করা দুর্ঘটনা দ্রুত শনাক্ত করার মতো গুরুত্বপূর্ণ কাজে সহায়তা করে, যা কৃত্রিম সচেতনতাকে মানবিক সক্ষমতার চেয়ে অনেক বেশি উন্নত করে।
LEANN রিয়েল-টাইমে এমবেডিং পুনর্গণনা করে RAG স্টোরেজকে নাটকীয়ভাবে কমিয়ে দেয়, যা স্ট্যান্ডার্ড ল্যাপটপে বৃহৎ-স্কেল সেমান্টিক সার্চ সম্ভব করে।