Genie 4 vs. Agora 2: Eine Welt mit einem Regisseur oder zwanzig Menschen im selben Raum

„Bis zu 20 Teilnehmer“ ist die Zahl, mit der Odyssey Agora 2 am 21. September 2026 startete, und sie zerlegt sich in etwas Interessanteres, als es klingt: vier menschliche Controller und sechzehn autonome Agenten, die alle eine einzige persistente Welt teilen. Genie 4, fünf Wochen später am 27. Oktober 2026 von Google DeepMind angekündigt, setzt auf fast das Gegenteil. Es bietet einem einzelnen Nutzer eine außerordentlich überzeugende Welt mit nativem Klang und Steuerung in natürlicher Sprache und lässt keine zweite Person hinein. Das sind nicht zwei Versionen desselben Produkts in unterschiedlichen Qualitätsstufen. Es sind zwei Forschungsprogramme, die zufällig ein Substantiv teilen.

Die drei Fragen, die sie unterscheiden, sind: wer sonst noch in der Welt ist, ob die Welt existiert, wenn niemand sie ansieht, und ob sie ein Geräusch macht. Genie 4 beantwortet die dritte besser als alles, was vor ihm auf den Markt kam, und die ersten beiden gar nicht. Agora 2 beantwortet die ersten beiden und hat zur dritten fast nichts zu sagen.

Zwanzig ist wirklich vier plus sechzehn

Odysseys Schlagzeile ist eine Mehrspieler-Behauptung, und es lohnt sich, genau zu sein, was tatsächlich verbunden ist. Vier Menschen steuern Charaktere in Echtzeit. Sechzehn weitere Entitäten sind Policies, die mit Reinforcement Learning trainiert wurden – Verhaltensweisen von Monstern und Begleitern –, die in derselben Welt agieren. Die ehrliche Beschreibung ist also ein Vierspieler-Spiel, das von gelernten Agenten bevölkert wird, was fünfmal so viele Teilnehmer wie Agora 1 sind und eine deutlich andere Architektur als eine generative Einzelspieler-Demo.

Die Umgebungen sind mehrere statt nur einer, das Verhalten trägt über längere Horizonte, und die Trainingsdaten sind Aufnahmen von Diablo II – einem isometrischen Action-RPG aus dem Jahr 2000. Dieses letzte Detail ist keine Kuriosität. Es zeigt, dass das Team bewusst ein Spiel mit fester Kameragrammatik und dichter Entitäteninteraktion einem fotorealistischen Open-World-Spiel vorgezogen hat, weil das die Umgebung ist, in der gemeinsamer Zustand testbar ist und die visuelle Messlatte erreichbar bleibt.

Warum der Off-Screen-Zustand der schwierige Teil ist

Die meisten Weltmodelle, Genie 4 eingeschlossen, funktionieren wie ein sehr ausgefeilter Videogenerator. Die Szene existiert als Frames, und alles, worauf die Kamera gerade nicht gerichtet ist, muss neu generiert werden, wenn die Kamera zurückkehrt – deshalb verschlechtert sich die Objektpermanenz, und deshalb warnt Googles eigenes Material zum Marktstart davor, dass Details und Objekte umso stärker abdriften, je länger eine Simulation läuft und je komplexer die Prompt-Bearbeitungen werden.

Agora 2 löst dies, indem es im Kern kein Videogenerator ist. Es betreibt einen autoritativen serverseitigen Weltzustand, der unabhängig von jedem Blickwinkel fortbesteht, wobei ein gelerntes Simulationsmodell die Bewegung übernimmt und ein separater Rendering-Stack zeichnet, was jeder Client sieht. Entitäten bleiben existent, wenn niemand sie ansieht. Deshalb können zwanzig Teilnehmer gleichzeitig kohärent sein: Sie bitten nicht jeweils einen Generator, sich die anderen vorzustellen, sondern lesen aus einer gemeinsamen Wahrheit.

Die Technik ist im gemeinsam zu nutzenden Teil bewusst klein gehalten. Das Simulationsmodell wird mit ungefähr 4,46 Millionen Parametern angegeben, vier Schichten, Breite 256, mit vierzehn Bewegungszweigen und einem separaten Facing-Head. Der Renderer ist das große Netzwerk – ein Flow-Matching-Transformer mit rund einer Milliarde Parametern, sechzehn Blöcken bei Breite 2.048, von denen fünf kausale zeitliche Attention tragen. Grob gesagt: Mach die Regeln günstig und für alle identisch, steck die Rechenleistung in das, was jeder Spieler sieht.

Der Vorteil von Genie 4 ist der Teil, den man hört

Vor diesem Hintergrund wirken die Beiträge von Genie 4 begrenzt – und sind es nicht. Native Audio – Ambient-Klanglandschaften, Musik und gesprochener Dialog mit Charakteren, die in der Szene reagieren – ist etwas, das kein anderes Weltmodell in diesem Vergleich überhaupt bietet. Odysseys technischer Bericht enthält keinerlei Angaben zu Audio. Das gilt auch für ABot-Earth, WorldClaw oder HY-Nomas.

Das ist für Simulationen wichtiger als für Unterhaltung. Einer Trainingsumgebung für einen verkörperten Agenten, der keinen Ton erzeugen kann, fehlt eine gesamte Eingabemodalität; ein Previsualisierungswerkzeug ohne Audio lässt die Tonabteilung von null an gegen den Zeitplan von jemand anderem arbeiten. Genie 4 wird zudem mitten in der Simulation in natürlicher Sprache gesteuert, was bei Agora 2 nicht der Fall ist – Odysseys Welt wird von Spielmechaniken und Spielereingaben bestimmt, nicht von einem Prompt, der das Wetter ändert.

Was Genie 4 nicht kann, ist, einen zweiten Controller zuzulassen. Es gibt keinen gemeinsamen Zustand, keinen autoritativen Server, kein Konzept eines weiteren Teilnehmers. Bittet man es, vier Spieler laufen zu lassen, bekommt man vier unabhängige Welten, die zufällig denselben Prompt teilen.

640×480 ist eine Designentscheidung, kein Fehlerbericht

Agora 2 rendert mit 640×480, und Rezensenten haben gelegentliche Unschärfe bei Objekten festgestellt. Es wäre leicht, das neben Genie 4s beanspruchtem Fotorealismus als Mangel zu verbuchen – außer dass Genie 4 überhaupt keine Auflösung veröffentlicht hat.

Diese Asymmetrie verdient es, dass man sich mit ihr auseinandersetzt. Das eine Team lieferte eine Welt in niedriger Auflösung und veröffentlichte ihren Abschnitt zu Einschränkungen, in dem es einräumte, dass anhaltende Bildrate, Latenz von Eingabe zu Anzeige, visuelle Qualität über lange Zeithorizonte, Übereinstimmung zwischen Ansichten und Aktionstreue nicht quantitativ bewertet wurden. Das andere lieferte eine fotorealistische Behauptung, ein Zwei-Minuten-Kohärenzfenster und keine Zahlen. Wenn eine Seite messbar ist und die andere nicht, sieht die messbare Seite meist schlechter aus und ist meist nützlicher.

Zwei verschiedene Wetten darüber, wofür Weltmodelle gedacht sind

Odyssey setzt darauf, dass die interessanten Probleme sozial und Multi-Agenten-bezogen sind. Ihre Rahmung ist explizit: Eine gemeinsame simulierte Welt ist ein sichererer Ort, um zu untersuchen, wie sich viele Agenten gemeinsam verhalten, als die reale Welt. Als Motivation hat das Unternehmen einen von METR gemeldeten Vorfall angeführt, bei dem sich rund 1.200 Agenten selbst organisierten. Nach dieser These ist Realitätstreue ein Mittel und die Teilnehmerzahl das Entscheidende, weil die Phänomene, die man beobachten möchte — Kollusion, Koordination, emergente Rollenteilung — erst im großen Maßstab auftreten.

Google wettet darauf, dass die interessanten Probleme perzeptueller und instruktionaler Natur sind. Unter dieser These ist ein einzelner Regisseur mit einer fotorealistischen, hörbaren, steuerbaren Welt das nützliche Artefakt – ob der Regisseur nun ein Filmemacher ist, der eine Einstellung blockt, oder ein Robotikteam, das eine Aufgabe probt. Die aussagekräftigste Demo von Genie 4 passt genau dazu: Gemini 4 Argon zerlegte Aufgaben, die Genie 4 in Echtzeit für einen Apptronik-Apollo-Humanoiden simulierte. Ein Agent, eine Welt, keine Menge.

Beide Wetten können richtig sein. Sie können nicht von einem einzigen Modell bedient werden, weshalb die Rahmung „Welche ist besser?“ scheitert.

Der Serving Bill, den niemand in die Schlagzeile hebt

Es wird berichtet, dass Agora 2 etwa vier RTX PRO 4500 GPUs verwendet, um eine Sitzung mit vier Spielern zu bedienen, während Training und Serving auf AWS Trainium laufen. Das ist eine echte Zahl, und es ist die Art von Zahl, die entscheidet, ob aus einer Forschungsvorschau ein Produkt werden kann. Zwanzig Teilnehmer in einer Welt sind billig bei den Spielern und teuer beim Silizium, denn gemeinsamer Zustand bedeutet, dass der Server für alle gleichzeitig autoritativ sein muss.

Genie 4 hat keine Bereitstellungskosten offengelegt. Es ist eine Forschungsvorschau für vertrauenswürdige Tester; als Nächstes sind Abonnenten von Google AI Ultra und Gemini-API-Partner mit Early Access dran. Niemand außerhalb des Testerkreises weiß, was die Produktion einer Minute generierter Welt kostet, was bedeutet, dass noch niemand sagen kann, ob die beeindruckende Demo den Kontakt mit einer Preisliste übersteht.

Wofür jedes Einzelne tatsächlich ein Beleg ist

Agora 2 ist ein Beleg dafür, dass ein Weltmodell ein Substrat für Multiagenten-Forschung sein kann und nicht nur ein Rendering-Trick. Wenn Ihre Frage lautet: „Was passiert, wenn viele Agenten eine Umgebung teilen?“, dann ist es das einzige der beiden, das überhaupt eine Umgebung zum Teilen hat, und die Tatsache, dass es in einem Browser unter agora.odyssey.ml spielbar ist, macht es für eine Forschungsvorschau ungewöhnlich zugänglich.

Genie 4 ist der Beweis dafür, dass sich die Wahrnehmungsobergrenze verschoben hat. Wenn Ihre Frage lautet: „Kann eine generierte Welt überzeugend genug sein, um auf ihrer Grundlage zu planen?“, dann liegt es vorn, und die Audiospur ist der Grund dafür – es ist das erste Mal, dass ein Weltmodell eine Szene erzeugt hat, die man jemandem übergeben könnte, ohne sich für die Stille entschuldigen zu müssen.

Für Teams, die Agenten-Infrastruktur statt Welten bauen, lautet die praktische Lehre aus Agora 2, dass die Koordinationskosten dominieren. Zwanzig Agenten in einer Welt sind zuerst ein Routingproblem und erst danach ein Grafikproblem: Welches Modell übernimmt die Policy welches Agenten, was passiert, wenn ein Endpunkt stockt, und wie man die günstigen Verifizierungsaufrufe günstig hält. Das ist die Ebene, an der wir arbeiten – eine API über mehr als 200 Modelle hinweg mit automatischem Failover, damit ein Multi-Agenten-Lauf nicht daran scheitert, dass ein Anbieter eine schlechte Minute hatte – und es ist die Ebene, die konstant bleibt, auf welches Weltmodell Sie sich letztlich auch festlegen.

Die Frage, die es im Oktober 2026 zu stellen lohnt, ist nicht, welche dieser beiden besser ist. Sie lautet, ob das Weltmodell, das du brauchst, ein Ort ist, an dem andere Agenten stehen können, oder eine Einstellung, die du inszenieren kannst. Odyssey hat das erste gebaut. Google hat das zweite gebaut – und daraus das am besten aussehende gemacht, das je jemand gezeigt hat.