Genie 4 vs CARI4D: uno genera un mundo, el otro resuelve un video

Lo único que Genie 4 y CARI4D comparten de forma fiable es una etiqueta. Genie 4, anunciado por Google DeepMind el 27 de octubre de 2026, es un modelo generativo del mundo: describes una escena, la guías en lenguaje natural y produce video con audio sincronizado durante un par de minutos. CARI4D, el método de reconstrucción de NVIDIA Research para CVPR 2026, va en la dirección contraria. Toma un video monocular de una persona que manipula un objeto y devuelve la pose de esa persona, la trayectoria de seis grados de libertad del objeto y dos puntuaciones de contacto de las manos para cada fotograma. Uno inventa un mundo plausible. El otro mide uno real. Si los pones en la misma página, la pregunta útil deja de ser «cuál es mejor» y pasa a ser «hacia dónde se orienta mi problema».

La confusión es comprensible, porque ambos productos se clasifican bajo "4D" y ambos producen algo que se mueve a través del tiempo. Pero un generador y un método de reconstrucción no son implementaciones competidoras de la misma tarea; fallan de maneras opuestas y los compran públicos distintos. Genie 4 puede inventar una calle convincente que nunca existió, y no puede decirte dónde está realmente nada en ella. CARI4D puede decirte, con precisión de frame, cómo una mano se cerró alrededor de una tetera, y no puede inventar una tetera que no haya visto. A continuación, los dos modelos se separan por lo que reciben, lo que devuelven y lo que cada uno estructuralmente no puede hacer.

Qué devuelve Genie 4: una sesión, no un archivo de escena

Lo primero que hay que entender sobre Genie 4 es que su salida se consume en tiempo real y no sobrevive a la sesión como geometría. La propia descripción de Google habla de un mundo que pones en movimiento y diriges: mueve la cámara, cambia el tiempo meteorológico, añade un personaje, y un modelo Gemini adapta la instrucción a lo que ya está en pantalla. Los fotogramas se generan de forma autorregresiva, y por eso la coherencia se mide en segundos y minutos, no en complejidad de escena.

Las novedades respecto a Genie 3 son las que todos los titulares destacaron. El audio se genera de forma nativa —sonido ambiente, música y diálogo interactivo— en lugar de añadirse a posteriori. El control es en tiempo real, no mediante un prompt que reinicia el mundo. Y la ventana de coherencia se sitúa en unos dos minutos, el doble que su predecesor, aunque el blog de Google solo menciona «sesiones cortas» y la cifra de dos minutos procede de las sesiones informativas de lanzamiento.

Lo que falta importa igual de mucho. No hay exportación de mallas, ni grafo de escena, ni pista de cámara, ni búfer de profundidad, ni forma de llevar el mundo generado a Blender, Unity o Unreal. Un estudio que quiera bloquear un plano puede ver cómo lo hace Genie 4 y no puede entregar el resultado a un pipeline. Tampoco se han publicado la resolución, la tasa de fotogramas, el tamaño del modelo, los benchmarks ni el precio, y el acceso se limita a un grupo reducido de probadores de confianza con una lista de espera pública; a los suscriptores de AI Ultra a través de Project Genie y a los socios de acceso anticipado de la API de Gemini se les promete «pronto», sin fecha.

Google sí nombra los modos de fallo, lo cual es más de lo que hacen la mayoría de las publicaciones de lanzamiento: el detalle y la permanencia de los objetos se degradan a lo largo de sesiones más largas y tras ediciones repetidas, la precisión espacial es imperfecta, el texto dentro del mundo con frecuencia es ilegible y la precisión del audio no está resuelta. Toda salida lleva una marca de agua SynthID. Para una herramienta de previsualización, esas advertencias son superables. Para cualquier cosa que necesite una medición, son descalificantes.

Qué devuelve CARI4D: poses, trayectorias y contacto

CARI4D es un pipeline, no una única red, y su salida es deliberadamente limitada. Dado un vídeo RGB monocular, reconstruye a la persona con un modelo corporal paramétrico, reconstruye la malla del objeto manipulado a partir del primer fotograma, coloca ambos a escala métrica y los rastrea a lo largo de la secuencia. El componente aprendido que realiza la corrección es CoCoNet, un transformer de renderizar y comparar que toma la estimación actual, la renderiza en RGB, profundidad y máscaras, y regresiona correcciones de pose por fotograma más un logit de contacto por mano.

Las dependencias son explícitas en el repositorio: UniDepth para profundidad métrica, NLF para pose humana, Hunyuan3D para la malla del objeto, FoundationPose para búsqueda y seguimiento de pose, y CoCoNet para la pasada de corrección. Eso importa cuando calculas el presupuesto del despliegue, porque cada uno de esos es un checkpoint separado con su propia licencia y su propio perfil de hardware.

CARI4D se distribuye en dos formas. El checkpoint de investigación, nvidia/CARI4D, está marcado como solo para investigación y desarrollo y enlaza al arXiv 2512.11988, publicado el 12 de diciembre de 2025. Una variante comercial, cari4d_commercial, cubre el Momentum Human Rig de NVIDIA y se rige por el NVIDIA Open Model Agreement. Ninguna de las dos está desplegada por ningún proveedor de inferencia en Hugging Face, así que "disponible" significa pesos más una configuración de Docker más una GPU NVIDIA, no un endpoint. No hay ninguna fila pública en la tabla de clasificación ni ninguna reproducción independiente; la evidencia numérica son las propias ablaciones del artículo de CVPR sobre BEHAVE, que es investigación producida por el proveedor.

La comparación, dimensión por dimensión

• Entrada — Genie 4 toma una descripción de texto más instrucciones de control en vivo; CARI4D toma un video RGB monocular que ya existe.

• Salida — Genie 4 devuelve video y audio generados, transmitidos en streaming dentro de una sesión; CARI4D devuelve la pose y forma humanas por fotograma, la rotación y traslación de objetos, y los logits de contacto de las manos.

• Grounding — Genie 4 es plausible pero no está fundamentado; nada en la salida corresponde a una coordenada medida. CARI4D es métrico y recupera la escala mediante estimación de profundidad y búsqueda de pose contra los fotogramas observados.

• Persistencia — El mundo de Genie 4 termina cuando finaliza la sesión y no se puede exportar. La salida de CARI4D es una estructura de datos que puedes almacenar, volver a renderizar y comparar.

• Audio — Genie 4 lo genera, incluido el diálogo; CARI4D no tiene ninguno y no modela el sonido.

• Acceso — Genie 4 es solo por invitación y no tiene precio; CARI4D consiste en pesos descargables con una licencia de investigación y una variante comercial bajo el acuerdo con NVIDIA.

• Evidencia — Genie 4 tiene demos y afirmaciones del proveedor, pero ningún benchmark publicado; CARI4D tiene un artículo revisado por pares, ablaciones realizadas por el proveedor y ninguna reproducción por terceros.

El solapamiento que existe, y el que no.

La composición tentadora consiste en usar CARI4D para reconstruir una interacción real y luego usar Genie 4 para imaginar variaciones de ella. Sobre el papel, el traspaso parece natural: CARI4D produce una escena humano-objeto con base métrica, y Genie 4 produce resultados alternativos. En la práctica, no hay interfaz entre ambos. Genie 4 acepta texto y entrada de orientación, no una escena reconstruida, una malla o una pista de pose. Nada de lo publicado por ninguno de los dos equipos describe alimentar uno con el otro, y el hecho de que ambas salidas parezcan tridimensionales en una captura de pantalla no hace que sus formatos sean compatibles.

El solapamiento que sí existe es más estrecho y más útil: ambas son herramientas para razonar sobre lo que sucede a continuación en una escena física. CARI4D te brinda la dinámica observada —contacto, agarre, trayectoria—, que es exactamente el tipo de señal que un pipeline de aprendizaje robótico necesita para etiquetar demostraciones. Genie 4 te brinda contrafactuales, que es lo que una política necesita para ensayar situaciones que no ha registrado. Un laboratorio que construye datos encarnados podría plausiblemente usar ambos, en distintos lados del mismo conjunto de datos, sin que ninguno de los dos modelos llegue a comunicarse con el otro.

Los modos de fallo también son imágenes especulares. Genie 4 puede renderizar bellamente un objeto equivocado y desviarse de él a lo largo de dos minutos. CARI4D puede rastrear con precisión un objeto mal conformado durante todo un video y aun así entregarte una malla deficiente, porque sus métricas se refieren a la pose y el contacto, no a la fidelidad de la superficie. Ninguno de los modelos corrige la debilidad del otro.

Lo que realmente puedes ejecutar esta semana

CARI4D es el que tiene un camino hacia la ejecución. Los pesos son públicos, la imagen Docker existe y una GPU de clase A100 es el objetivo documentado. Sigue siendo un pipeline de investigación con un artículo por leer y varios checkpoints externos por ensamblar, pero un equipo con el hardware puede estar ejecutándolo esta semana. Genie 4 es el que tiene lista de espera.

Vale la pena ser directos sobre nuestro propio catálogo: OrcaRouter no aloja ninguno de los dos modelos. CARI4D es un pipeline de reconstrucción de investigación sin ningún endpoint alojado en ninguna parte, y Genie 4 no tiene una API pública a la que enrutar. Lo que sí enrutamos es parte de la capa de razonamiento que Google construyó en torno a Genie 4 — Gemini 3.8 Flash, el modelo que observa los fotogramas generados y vuelve a planificar, y Gemini Robotics ER 1.6 preview — en una única API que abarca más de 200 modelos, con los precios de lista de los proveedores aplicados con un margen del 0 % y con conmutación por error automática entre proveedores. Si tu trabajo real es hacer preguntas sobre un vídeo en lugar de reconstruirlo o generarlo, un modelo multimodal alojado es la respuesta más económica, y no requiere una invitación.

Para todos los demás, la decisión se reduce a una frase en cada caso. Si el video ya existe y necesitas saber qué hicieron la persona y el objeto, CARI4D es el único de los dos que responde a la pregunta. Si el mundo aún no existe y necesitas verlo moverse, Genie 4 es el único que te lo mostrará — una vez que alguien te deje entrar.