Genie 4 vs. CARI4D: Das eine erzeugt eine Welt, das andere entschlüsselt ein Video

Das Einzige, was Genie 4 und CARI4D zuverlässig gemeinsam haben, ist ein Label. Genie 4, am 27. Oktober 2026 von Google DeepMind angekündigt, ist ein generatives Weltmodell: Man beschreibt eine Szene, steuert sie in natürlicher Sprache, und es erzeugt Video mit synchronisiertem Audio für ein paar Minuten. CARI4D, die Rekonstruktionsmethode von NVIDIA Research für die CVPR 2026, arbeitet in die entgegengesetzte Richtung. Sie nimmt ein monokulares Video einer Person auf, die einen Gegenstand handhabt, und liefert die Pose dieser Person, die Trajektorie des Gegenstands mit sechs Freiheitsgraden und zwei Handkontakt-Scores für jedes Einzelbild. Das eine erfindet eine plausible Welt. Das andere misst eine reale Welt. Stellt man sie nebeneinander, ist die nützliche Frage nicht mehr „Welche ist besser?“, sondern „In welche Richtung weist mein Problem?“.

Die Verwirrung ist verständlich, denn beide Produkte werden unter „4D“ eingeordnet, und beide erzeugen etwas, das sich durch die Zeit bewegt. Aber ein Generator und eine Rekonstruktionsmethode sind keine konkurrierenden Umsetzungen derselben Aufgabe; sie versagen auf entgegengesetzte Weise, und sie werden von unterschiedlichen Leuten gekauft. Genie 4 kann eine überzeugende Straße erfinden, die nie existiert hat, und kann Ihnen nicht sagen, wo sich darin irgendetwas tatsächlich befindet. CARI4D kann Ihnen bildgenau sagen, wie eine Hand einen Kessel umschloss, und kann keinen Kessel erfinden, den es nicht gesehen hat. Im Folgenden werden die beiden Modelle danach unterschieden, was sie aufnehmen, was sie zurückgeben und was jedes von ihnen strukturell nicht leisten kann.

Was Genie 4 zurückgibt: eine Session, keine Szenendatei

Das Wichtigste, was man über Genie 4 verstehen muss, ist, dass seine Ausgabe in Echtzeit konsumiert wird und die Sitzung nicht als Geometrie überdauert. Googles eigene Beschreibung lautet: eine Welt, die man in Gang setzt und lenkt – die Kamera bewegen, das Wetter ändern, eine Figur hinzufügen, und ein Gemini-Modell passt die Anweisung an das an, was bereits auf dem Bildschirm zu sehen ist. Die Frames werden autoregressiv generiert, weshalb Kohärenz in Sekunden und Minuten gemessen wird und nicht in der Komplexität der Szene.

Die Neuerungen gegenüber Genie 3 sind die, die jede Schlagzeile aufgegriffen hat. Audio wird nativ erzeugt – Umgebungsgeräusche, Musik und interaktiver Dialog – statt nachträglich darübergelegt zu werden. Die Steuerung erfolgt live statt über einen Prompt, der die Welt neu startet. Und das Kohärenzfenster wird mit rund zwei Minuten angegeben, doppelt so lang wie beim Vorgänger, obwohl Googles Blog nur von „kurzen Sitzungen“ spricht und die Zwei-Minuten-Angabe aus den Launch-Briefings stammt.

Was fehlt, ist ebenso wichtig. Es gibt keinen Mesh-Export, keinen Szenengraph, keine Kameraspur, keinen Tiefenpuffer und keine Möglichkeit, die generierte Welt nach Blender, Unity oder Unreal zu bringen. Ein Studio, das eine Einstellung blocken möchte, kann Genie 4 dabei zusehen und das Ergebnis nicht an eine Pipeline weitergeben. Es gibt auch keine veröffentlichte Auflösung, Bildrate, Modellgröße, Benchmark oder Preis, und der Zugang ist ein begrenzter Pool vertrauenswürdiger Tester mit einer öffentlichen Warteliste — AI-Ultra-Abonnenten über Project Genie und Early-Access-Partner der Gemini API wird „bald“ versprochen, ohne Datum.

Google benennt die Fehlermodi, was mehr ist, als die meisten Launch-Posts tun: Details und Objektpermanenz driften über längere Sitzungen und nach wiederholten Bearbeitungen, die räumliche Genauigkeit ist unvollkommen, In-World-Text ist häufig unleserlich, und die Audio-Genauigkeit ist ungelöst. Jede Ausgabe trägt ein SynthID-Wasserzeichen. Für ein Previsualisierungs-Tool sind diese Einschränkungen verkraftbar. Für alles, das eine Messung erfordert, sind sie ein Ausschlusskriterium.

Was CARI4D zurückgibt: Posen, Trajektorien und Kontakt

CARI4D ist eine Pipeline, kein einzelnes Netzwerk, und ihre Ausgabe ist bewusst eng gefasst. Ausgehend von einem monokularen RGB-Video rekonstruiert sie den Menschen mit einem parametrischen Körpermodell, rekonstruiert das Mesh des manipulierten Objekts aus dem ersten Frame, platziert beides in metrischem Maßstab und verfolgt sie durch die Sequenz. Die gelernte Komponente, die die Korrektur vornimmt, ist CoCoNet, ein Render-and-Compare-Transformer, der die aktuelle Schätzung entgegennimmt, sie in RGB, Tiefe und Masken rendert und Posenkorrekturen pro Frame sowie ein Kontakt-Logit pro Hand regressiert.

Die Abhängigkeiten sind im Repository ausdrücklich angegeben: UniDepth für die metrische Tiefe, NLF für die menschliche Pose, Hunyuan3D für das Objektnetz, FoundationPose für Posensuche und -verfolgung sowie CoCoNet für den Korrekturdurchlauf. Das ist wichtig, wenn Sie das Deployment kalkulieren, denn jedes davon ist ein separater Checkpoint mit eigener Lizenz und eigenem Hardwareprofil.

CARI4D wird in zwei Formen ausgeliefert. Der Forschungs-Checkpoint, nvidia/CARI4D, ist als reine Forschung und Entwicklung gekennzeichnet und verlinkt auf arXiv 2512.11988, veröffentlicht am 12. Dezember 2025. Eine kommerzielle Variante, cari4d_commercial, deckt NVIDIAs Momentum Human Rig ab und unterliegt der NVIDIA Open Model Agreement. Keine der beiden wird von einem Inferenzanbieter auf Hugging Face bereitgestellt, daher bedeutet „verfügbar" Gewichte plus ein Docker-Setup plus eine NVIDIA-GPU, nicht einen Endpunkt. Es gibt keine öffentliche Leaderboard-Zeile und keine unabhängige Reproduktion; die numerischen Belege sind die eigenen Ablationen des CVPR-Papers auf BEHAVE, einer vom Anbieter erstellten Forschung.

Der Vergleich, Dimension für Dimension

• Eingabe — Genie 4 benötigt eine Textbeschreibung plus Live-Steuerungsanweisungen; CARI4D benötigt ein bereits vorhandenes monokulares RGB-Video.

• Ausgabe — Genie 4 liefert generiertes Video und Audio, in einer Sitzung gestreamt; CARI4D liefert pro Frame menschliche Pose und Form, Objektrotation und -translation sowie Handkontakt-Logits.

• Verankerung — Genie 4 ist plausibel, aber nicht verankert; nichts in der Ausgabe entspricht einer gemessenen Koordinate. CARI4D ist metrisch und gewinnt den Maßstab durch Tiefenschätzung und Posensuche anhand der beobachteten Frames zurück.

• Persistenz — Die Welt von Genie 4 endet mit dem Ende der Sitzung und kann nicht exportiert werden. Die Ausgabe von CARI4D ist eine Datenstruktur, die Sie speichern, erneut rendern und vergleichen können.

• Audio — Genie 4 erzeugt es, einschließlich Dialog; CARI4D hat kein Audio und modelliert keinen Ton.

• Zugang — Genie 4 ist nur auf Einladung erhältlich, ohne Preisangabe; CARI4D bietet herunterladbare Gewichte mit einer Forschungslizenz und einer kommerziellen Variante im Rahmen der NVIDIA-Vereinbarung.

• Belege — Genie 4 hat Demos und Herstellerangaben, aber keinen veröffentlichten Benchmark; CARI4D hat ein peer-reviewed Paper, vom Hersteller durchgeführte Ablationen und keine Reproduktion durch Dritte.

Die Überschneidung, die es gibt, und die, die es nicht gibt.

Die verlockende Kombination besteht darin, mit CARI4D eine reale Interaktion zu rekonstruieren und dann mit Genie 4 Variationen davon zu erdenken. Auf dem Papier wirkt die Übergabe natürlich: CARI4D erzeugt eine metrisch fundierte Mensch-Objekt-Szene, und Genie 4 erzeugt alternative Ergebnisse. In der Praxis gibt es keine Schnittstelle zwischen ihnen. Genie 4 akzeptiert Text- und Steuerungseingaben, keine rekonstruierte Szene, kein Mesh und keine Posenspur. Nichts, was eines der beiden Teams veröffentlicht hat, beschreibt, wie man das eine in das andere einspeist, und die Tatsache, dass beide Ausgaben auf einem Screenshot dreidimensional aussehen, macht sie nicht zu kompatiblen Formaten.

Die Überschneidung, die tatsächlich besteht, ist enger und nützlicher: Beide sind Werkzeuge, um darüber nachzudenken, was als Nächstes in einer physischen Szene geschieht. CARI4D liefert die beobachtete Dynamik – Kontakt, Griff, Trajektorie –, genau die Art von Signal, die eine Pipeline für robotisches Lernen benötigt, um Demonstrationen zu labeln. Genie 4 liefert Counterfactuals, also genau das, was eine Policy braucht, um Situationen zu proben, die sie nicht aufgezeichnet hat. Ein Labor, das embodied Daten aufbaut, könnte plausibel beide nutzen, auf unterschiedlichen Seiten desselben Datensatzes, ohne dass eines der Modelle jemals mit dem anderen spricht.

Die Fehlermodi sind ebenfalls Spiegelbilder. Genie 4 kann ein falsches Objekt wunderschön rendern und innerhalb von zwei Minuten davon abdriften. CARI4D kann ein schlecht geformtes Objekt über ein ganzes Video hinweg präzise verfolgen und einem trotzdem ein schlechtes Mesh liefern, weil seine Metriken auf Pose und Kontakt statt auf Oberflächentreue ausgerichtet sind. Keines der Modelle behebt die Schwäche des anderen.

Was du diese Woche tatsächlich ausführen kannst

CARI4D ist das mit einem Weg zur Ausführung. Die Gewichte sind öffentlich, das Docker-Image existiert, und eine GPU der A100-Klasse ist das dokumentierte Ziel. Es ist noch eine Forschungspipeline mit einem Paper zum Lesen und mehreren externen Checkpoints, die zusammengesetzt werden müssen, aber ein Team mit der Hardware kann sie diese Woche zum Laufen bringen. Genie 4 ist das mit einer Warteliste.

Es lohnt sich, in Bezug auf unseren eigenen Katalog direkt zu sein: OrcaRouter hostet keines der beiden Modelle. CARI4D ist eine Forschungs-Rekonstruktionspipeline ohne irgendwo verfügbaren gehosteten Endpunkt, und Genie 4 hat keine öffentliche API, über die sich routen ließe. Was wir tatsächlich routen, ist Teil der Reasoning-Schicht, die Google rund um Genie 4 aufgebaut hat — Gemini 3.8 Flash, das Modell, das generierte Frames beobachtet und neu plant, und Gemini Robotics ER 1.6 preview — über eine einzige API hinweg über 200+ Modelle, mit den Listenpreisen der Anbieter zu 0 % Aufschlag weitergegeben und automatischem Failover zwischen Anbietern. Wenn Ihre eigentliche Aufgabe darin besteht, Fragen zu einem Video zu stellen, statt es zu rekonstruieren oder zu generieren, ist ein gehostetes multimodales Modell die günstigere Antwort, und es erfordert keine Einladung.

Für alle anderen reduziert sich die Entscheidung auf jeweils einen Satz. Wenn das Video bereits existiert und Sie wissen müssen, was die Person und das Objekt getan haben, ist CARI4D von den beiden das einzige, das die Frage beantwortet. Wenn die Welt noch nicht existiert und Sie sehen müssen, wie sie sich bewegt, ist Genie 4 das einzige, das Ihnen das zeigt – sobald jemand Sie hineinlässt.