Genie 4 vs CARI4D : L’un génère un monde, l’autre résout une vidéo

La seule chose que Genie 4 et CARI4D partagent de manière fiable est une étiquette. Genie 4, annoncé par Google DeepMind le 27 octobre 2026, est un modèle génératif du monde : vous décrivez une scène, la pilotez en langage naturel, et il produit une vidéo avec un son synchronisé pendant quelques minutes. CARI4D, méthode de reconstruction de NVIDIA Research présentée à CVPR 2026, va dans la direction opposée. Il prend une vidéo monoculaire d’une personne manipulant un objet et renvoie la pose de cette personne, la trajectoire à six degrés de liberté de l’objet et deux scores de contact main-objet pour chaque image. L’un invente un monde plausible. L’autre mesure un monde réel. Mettez-les côte à côte et la question utile cesse d’être « laquelle est la meilleure » pour devenir « vers quelle direction mon problème est orienté ».

La confusion est compréhensible, car les deux produits sont classés sous « 4D » et tous deux produisent quelque chose qui se déplace dans le temps. Mais un générateur et une méthode de reconstruction ne sont pas des implémentations concurrentes d’une même tâche ; ils échouent de manières opposées et sont achetés par des personnes différentes. Genie 4 peut inventer une rue convaincante qui n’a jamais existé, mais ne peut pas vous dire où se trouve réellement quoi que ce soit dans cette rue. CARI4D peut vous dire, à la trame près, comment une main s’est refermée autour d’une bouilloire, mais ne peut pas inventer une bouilloire qu’il n’a jamais vue. Ci-dessous, les deux modèles sont distingués par ce qu’ils prennent en entrée, ce qu’ils restituent et ce que chacun ne peut structurellement pas faire.

Ce que renvoie Genie 4 : une session, pas un fichier de scène

La première chose à comprendre à propos de Genie 4, c’est que sa sortie est consommée en temps réel et ne subsiste pas sous forme de géométrie après la session. La description qu’en donne Google est celle d’un monde que l’on met en mouvement et que l’on pilote : déplacez la caméra, changez la météo, ajoutez un personnage, et un modèle Gemini adapte l’instruction à ce qui est déjà à l’écran. Les images sont générées de manière autorégressive, c’est pourquoi la cohérence se mesure en secondes et en minutes plutôt qu’en complexité de scène.

Les ajouts par rapport à Genie 3 sont ceux que tous les titres ont relevés. L’audio est généré nativement — sons d’ambiance, musique et dialogue interactif — plutôt qu’ajouté après coup. Le pilotage est en temps réel plutôt qu’un prompt qui redémarre le monde. Et la fenêtre de cohérence est annoncée à environ deux minutes, soit le double de son prédécesseur, bien que le blog de Google ne parle que de « sessions courtes » et que le chiffre de deux minutes provienne des briefings de lancement.

Ce qui est absent compte tout autant. Il n’y a pas d’export de maillage, pas de graphe de scène, pas de piste de caméra, pas de tampon de profondeur et aucun moyen d’importer le monde généré dans Blender, Unity ou Unreal. Un studio qui veut bloquer un plan peut regarder Genie 4 le faire sans pouvoir remettre le résultat à un pipeline. Aucune résolution, fréquence d’images, taille de modèle, référence de performance ni prix n’est publié non plus, et l’accès est réservé à un vivier limité de testeurs de confiance, avec une liste d’attente publique — les abonnés AI Ultra via Project Genie et les partenaires en accès anticipé à l’API Gemini se voient promettre « bientôt », sans date.

Google nomme bel et bien les modes de défaillance, ce que la plupart des articles de lancement ne font pas : la persistance des détails et des objets dérive au fil de sessions prolongées et après des modifications répétées, la précision spatiale est imparfaite, le texte intégré à la scène est souvent illisible et la précision audio n’est pas résolue. Toutes les sorties portent un filigrane SynthID. Pour un outil de prévisualisation, ces réserves sont surmontables. Pour tout ce qui exige une mesure, elles sont rédhibitoires.

Ce que CARI4D renvoie : poses, trajectoires et contact

CARI4D est un pipeline, et non un réseau unique, et sa sortie est volontairement restreinte. À partir d’une vidéo RGB monoculaire, il reconstruit l’humain à l’aide d’un modèle de corps paramétrique, reconstruit le maillage de l’objet manipulé à partir de la première image, place les deux à l’échelle métrique et les suit tout au long de la séquence. Le composant appris qui effectue la correction est CoCoNet, un transformer de type render-and-compare qui prend l’estimation courante, en effectue un rendu en RGB, profondeur et masques, et régresse les corrections de pose par image ainsi qu’un logit de contact par main.

Les dépendances sont explicites dans le dépôt : UniDepth pour la profondeur métrique, NLF pour la pose humaine, Hunyuan3D pour le maillage de l'objet, FoundationPose pour la recherche et le suivi de pose, et CoCoNet pour la passe de correction. C'est important au moment de budgéter le déploiement, car chacun de ces éléments est un checkpoint distinct, avec sa propre licence et son propre profil matériel.

CARI4D se décline en deux formes. Le checkpoint de recherche, nvidia/CARI4D, est marqué comme réservé à la recherche et au développement et renvoie à arXiv 2512.11988, publié le 12 décembre 2025. Une variante commerciale, cari4d_commercial, couvre le Momentum Human Rig de NVIDIA et est régie par le NVIDIA Open Model Agreement. Aucun des deux n'est déployé par un fournisseur d'inférence sur Hugging Face, donc « disponible » signifie des poids, une configuration Docker et un GPU NVIDIA, pas un point de terminaison. Il n'existe ni ligne dans un classement public ni reproduction indépendante ; les preuves numériques sont les propres ablations du papier CVPR sur BEHAVE, une recherche produite par le fournisseur.

La comparaison, dimension par dimension

• Entrée — Genie 4 prend une description textuelle ainsi que des instructions de guidage en temps réel ; CARI4D prend une vidéo RGB monoculaire qui existe déjà.

• Sortie — Genie 4 renvoie la vidéo et l'audio générés, diffusés en streaming dans une session ; CARI4D renvoie, image par image, la pose et la forme humaines, la rotation et la translation des objets, ainsi que les logits de contact avec les mains.

• Ancrage — Genie 4 est plausible mais non ancré ; rien dans la sortie ne correspond à une coordonnée mesurée. CARI4D est métrique, et retrouve l'échelle via l'estimation de profondeur et une recherche de pose par rapport aux images observées.

• Persistance — Le monde de Genie 4 prend fin avec la session et ne peut pas être exporté. La sortie de CARI4D est une structure de données que vous pouvez stocker, réafficher et comparer.

• Audio — Genie 4 le génère, y compris les dialogues ; CARI4D n'en produit aucun et ne modélise pas le son.

• Accès — Genie 4 est accessible sur invitation uniquement et sans prix ; CARI4D consiste en des poids téléchargeables sous licence de recherche, avec une variante commerciale dans le cadre de l’accord de NVIDIA.

• Preuves — Genie 4 dispose de démos et d’allégations du fournisseur, sans benchmark publié ; CARI4D dispose d’un article évalué par les pairs, d’ablations menées par le fournisseur et d’aucune reproduction par un tiers.

Le chevauchement qui existe, et celui qui n’existe pas

La composition tentante consiste à utiliser CARI4D pour reconstruire une interaction réelle, puis Genie 4 pour en imaginer des variations. Sur le papier, le passage de relais semble naturel : CARI4D produit une scène humain-objet ancrée métriquement, et Genie 4 produit des issues alternatives. En pratique, il n’existe aucune interface entre eux. Genie 4 accepte du texte et des entrées de guidage, pas une scène reconstruite, un maillage ou une trajectoire de pose. Rien de ce qu’ont publié l’une ou l’autre des équipes ne décrit l’injection de l’un dans l’autre, et le fait que les deux sorties paraissent tridimensionnelles sur une capture d’écran ne rend pas leurs formats compatibles.

Le chevauchement qui existe bel et bien est plus étroit et plus utile : les deux sont des outils permettant de raisonner sur ce qui se produira ensuite dans une scène physique. CARI4D fournit la dynamique observée — contact, prise, trajectoire — soit exactement le type de signal dont un pipeline d’apprentissage robotique a besoin pour annoter des démonstrations. Genie 4 fournit des contrefactuels, ce dont une politique a besoin pour répéter des situations qu’elle n’a pas enregistrées. Un laboratoire qui construit des données incarnées pourrait plausiblement utiliser les deux, de part et d’autre d’un même jeu de données, sans que jamais l’un des deux modèles ne parle à l’autre.

Les modes de défaillance sont eux aussi des images en miroir. Genie 4 peut rendre un objet erroné de façon superbe et s'en écarter au fil de deux minutes. CARI4D peut suivre avec précision un objet mal formé tout au long d'une vidéo et vous livrer malgré tout un maillage médiocre, car ses métriques portent sur la pose et le contact plutôt que sur la fidélité de la surface. Aucun des deux modèles ne corrige la faiblesse de l'autre.

Ce que vous pouvez réellement faire cette semaine

CARI4D est celui qui dispose d’un chemin vers l’exécution. Les poids sont publics, l’image Docker existe et un GPU de classe A100 est la cible documentée. Il s’agit encore d’un pipeline de recherche avec un article à lire et plusieurs checkpoints externes à assembler, mais une équipe disposant du matériel peut le faire tourner cette semaine. Genie 4 est celui qui a une liste d’attente.

Il vaut la peine d’être direct au sujet de notre propre catalogue : OrcaRouter n’héberge aucun des deux modèles. CARI4D est un pipeline de reconstruction destiné à la recherche, sans aucun point de terminaison hébergé où que ce soit, et Genie 4 ne dispose d’aucune API publique vers laquelle router. Ce que nous routons, en revanche, relève de la couche de raisonnement que Google a construite autour de Genie 4 — Gemini 3.8 Flash, le modèle qui observe les images générées et replanifie, et Gemini Robotics ER 1.6 preview — sur une API unique couvrant plus de 200 modèles, avec les prix catalogue des fournisseurs répercutés sans marge (0 %) et un basculement automatique entre fournisseurs. Si votre véritable tâche consiste à poser des questions sur une vidéo plutôt qu’à la reconstruire ou à en générer une, un modèle multimodal hébergé est la solution la moins chère, et il ne nécessite pas d’invitation.

Pour tous les autres, la décision se résume à une phrase pour chacun. Si la vidéo existe déjà et que vous devez savoir ce que la personne et l’objet ont fait, CARI4D est le seul des deux à répondre à la question. Si le monde n’existe pas encore et que vous devez le voir bouger, Genie 4 est le seul à pouvoir vous le montrer — une fois que quelqu’un vous y donne accès.