Genie 4 vs CARI4D: Satu Menciptakan Dunia, yang Lain Memecahkan Video

Satu-satunya hal yang Genie 4 dan CARI4D secara andal miliki bersama adalah label. Genie 4, yang diumumkan oleh Google DeepMind pada 27 Oktober 2026, adalah model dunia generatif: Anda mendeskripsikan sebuah adegan, mengarahkannya dalam bahasa alami, dan model ini menghasilkan video dengan audio tersinkronisasi selama beberapa menit. CARI4D, metode rekonstruksi CVPR 2026 dari NVIDIA Research, bergerak ke arah sebaliknya. Metode ini menerima video monokular seseorang yang sedang menangani objek dan mengembalikan pose orang tersebut, lintasan enam derajat kebebasan objek itu, serta dua skor kontak tangan untuk setiap frame. Yang satu menciptakan dunia yang masuk akal. Yang lain mengukur dunia yang nyata. Letakkan keduanya di halaman yang sama, dan pertanyaan yang berguna berhenti menjadi "mana yang lebih baik" dan menjadi "ke arah mana masalah saya menghadap."

Kebingungan itu dapat dipahami, karena kedua produk dikategorikan sebagai "4D" dan keduanya menghasilkan sesuatu yang bergerak melintasi waktu. Namun, sebuah generator dan sebuah metode rekonstruksi bukanlah implementasi yang saling bersaing untuk tugas yang sama; keduanya gagal dengan cara yang berlawanan dan dibeli oleh orang yang berbeda. Genie 4 dapat menciptakan jalan yang meyakinkan yang tidak pernah ada, tetapi tidak dapat memberi tahu Anda di mana benda apa pun di dalamnya benar-benar berada. CARI4D dapat memberi tahu Anda, hingga ke frame, bagaimana sebuah tangan menggenggam ceret, tetapi tidak dapat menciptakan ceret yang belum pernah dilihatnya. Di bawah ini, kedua model dibedakan berdasarkan apa yang mereka terima, apa yang mereka kembalikan, dan apa yang secara struktural tidak dapat dilakukan masing-masing.

Apa yang dikembalikan Genie 4: sebuah sesi, bukan file scene

Hal pertama yang perlu dipahami tentang Genie 4 adalah bahwa output-nya dikonsumsi secara real time dan tidak bertahan sebagai geometri setelah sesi berakhir. Deskripsi Google sendiri adalah dunia yang Anda gerakkan dan kendalikan: gerakkan kamera, ubah cuaca, tambahkan karakter, dan model Gemini menyesuaikan instruksi dengan apa yang sudah ada di layar. Frame dihasilkan secara autoregresif, itulah sebabnya koherensi diukur dalam hitungan detik dan menit, bukan dalam kompleksitas adegan.

Tambahan dibandingkan Genie 3 adalah hal yang ditangkap setiap judul berita. Audio dihasilkan secara native — suara ambiens, musik, dan dialog interaktif — bukan ditambahkan setelahnya. Pengarahan berlangsung langsung alih-alih berupa prompt yang memulai ulang dunia. Dan jendela koherensi dilaporkan sekitar dua menit, dua kali lipat pendahulunya, meskipun blog Google hanya menyebut "sesi singkat" dan angka dua menit itu berasal dari pengarahan peluncuran.

Apa yang tidak ada sama pentingnya. Tidak ada ekspor mesh, tidak ada scene graph, tidak ada trek kamera, tidak ada depth buffer, dan tidak ada cara untuk membawa dunia yang dihasilkan ke Blender, Unity, atau Unreal. Studio yang ingin melakukan blocking shot dapat melihat Genie 4 melakukannya dan tidak dapat menyerahkan hasilnya ke pipeline. Juga tidak ada resolusi, frame rate, ukuran model, benchmark, atau harga yang dipublikasikan, dan aksesnya adalah kumpulan penguji tepercaya yang terbatas dengan daftar tunggu publik — pelanggan AI Ultra melalui Project Genie dan mitra akses awal Gemini API dijanjikan "segera," tanpa tanggal.

Google memang menyebutkan mode kegagalannya, lebih dari yang dilakukan sebagian besar postingan peluncuran: detail dan permanensi objek bergeser seiring sesi yang lebih panjang dan setelah penyuntingan berulang, akurasi spasial tidak sempurna, teks di dalam dunia sering tidak terbaca, dan akurasi audio belum terpecahkan. Semua output membawa tanda air SynthID. Untuk alat pravisualisasi, peringatan tersebut masih bisa ditoleransi. Untuk apa pun yang memerlukan pengukuran, peringatan itu mendiskualifikasi.

Apa yang dikembalikan CARI4D: pose, trajektori, dan kontak

CARI4D adalah pipeline, bukan jaringan tunggal, dan outputnya sengaja dibuat sempit. Dengan diberikan video RGB monokuler, pipeline ini merekonstruksi manusia menggunakan model tubuh parametrik, merekonstruksi mesh objek yang dimanipulasi dari frame pertama, menempatkan keduanya pada skala metrik, dan melacaknya sepanjang sekuens. Komponen terpelajar yang melakukan koreksi adalah CoCoNet, sebuah transformer render-dan-bandingkan yang mengambil estimasi saat ini, merendernya menjadi RGB, kedalaman, dan mask, lalu meregresi koreksi pose per-frame ditambah satu logit kontak per tangan.

Dependensinya eksplisit di repositori: UniDepth untuk kedalaman metrik, NLF untuk pose manusia, Hunyuan3D untuk mesh objek, FoundationPose untuk pencarian pose dan pelacakan, serta CoCoNet untuk pass koreksi. Itu penting saat Anda menganggarkan deployment, karena masing-masing adalah checkpoint terpisah dengan lisensi dan profil perangkat kerasnya sendiri.

CARI4D dirilis dalam dua bentuk. Checkpoint riset, nvidia/CARI4D, ditandai hanya untuk riset dan pengembangan serta menautkan ke arXiv 2512.11988, yang diterbitkan pada 12 Desember 2025. Varian komersial, cari4d_commercial, mencakup NVIDIA Momentum Human Rig dan diatur oleh NVIDIA Open Model Agreement. Tidak ada satu pun yang diterapkan oleh penyedia inferensi mana pun di Hugging Face, jadi "tersedia" berarti bobot plus penyiapan Docker plus GPU NVIDIA, bukan endpoint. Tidak ada baris papan peringkat publik dan tidak ada reproduksi independen; bukti numeriknya adalah ablasi milik makalah CVPR sendiri pada BEHAVE, yang merupakan riset yang dihasilkan vendor.

Perbandingannya, dimensi demi dimensi

• Input — Genie 4 menerima deskripsi teks ditambah instruksi pengarahan langsung; CARI4D menerima video RGB monokuler yang sudah ada.

• Keluaran — Genie 4 mengembalikan video dan audio yang dihasilkan, dialirkan dalam suatu sesi; CARI4D mengembalikan pose dan bentuk manusia per frame, rotasi dan translasi objek, serta logit kontak tangan.

• Grounding — Genie 4 masuk akal tetapi tidak memiliki landasan; tidak ada apa pun dalam output yang sesuai dengan koordinat terukur. CARI4D bersifat metrik, memulihkan skala melalui estimasi kedalaman dan pencarian pose terhadap frame yang diamati.

• Persistensi — Dunia Genie 4 berakhir saat sesi berakhir dan tidak dapat diekspor. Output CARI4D adalah struktur data yang dapat Anda simpan, render ulang, dan bandingkan.

• Audio — Genie 4 menghasilkannya, termasuk dialog; CARI4D tidak memilikinya dan tidak memodelkan suara.

• Akses — Genie 4 hanya dapat diakses melalui undangan tanpa harga; CARI4D adalah bobot yang dapat diunduh dengan lisensi riset dan varian komersial berdasarkan perjanjian NVIDIA.

• Bukti — Genie 4 memiliki demo dan klaim vendor, tanpa tolok ukur yang dipublikasikan; CARI4D memiliki makalah yang ditinjau sejawat, ablasi yang dijalankan vendor, dan tanpa reproduksi pihak ketiga.

Tumpang tindih yang ada, dan yang tidak

Komposisi yang menggoda adalah menggunakan CARI4D untuk merekonstruksi interaksi nyata, lalu menggunakan Genie 4 untuk membayangkan variasi-variasinya. Di atas kertas, serah-terima itu tampak wajar: CARI4D menghasilkan adegan manusia–objek yang berlandaskan metrik, dan Genie 4 menghasilkan hasil-hasil alternatif. Dalam praktiknya, tidak ada antarmuka di antara keduanya. Genie 4 menerima input teks dan pengarahan, bukan adegan yang direkonstruksi, mesh, atau jalur pose. Tidak ada publikasi dari tim mana pun yang menjelaskan cara memasukkan yang satu ke yang lain, dan fakta bahwa kedua output tampak tiga dimensi dalam tangkapan layar tidak membuat format keduanya kompatibel.

Tumpang tindih yang memang ada lebih sempit dan lebih berguna: keduanya adalah alat untuk menalar apa yang terjadi selanjutnya dalam sebuah adegan fisik. CARI4D memberi Anda dinamika teramati — kontak, cengkeraman, lintasan — yang persis merupakan jenis sinyal yang dibutuhkan pipeline pembelajaran robot untuk memberi label pada demonstrasi. Genie 4 memberi Anda kontrafaktual, yang diperlukan sebuah kebijakan untuk berlatih menghadapi situasi yang belum pernah direkam. Sebuah laboratorium yang membangun data embodied secara masuk akal dapat menggunakan keduanya, pada sisi berbeda dari kumpulan data yang sama, tanpa kedua model itu pernah saling berkomunikasi.

Mode kegagalan juga merupakan cerminan satu sama lain. Genie 4 dapat merender objek yang salah dengan indah dan menyimpang darinya selama dua menit. CARI4D dapat melacak objek yang bentuknya buruk secara akurat sepanjang seluruh video dan tetap memberi Anda mesh yang buruk, karena metriknya berkaitan dengan pose dan kontak, bukan fidelitas permukaan. Tidak ada model yang memperbaiki kelemahan model lainnya.

Yang benar-benar bisa kamu jalankan minggu ini

CARI4D adalah yang memiliki jalur menuju eksekusi. Bobotnya publik, image Docker tersedia, dan GPU kelas A100 adalah target yang didokumentasikan. Ini masih merupakan pipeline penelitian dengan makalah untuk dibaca dan beberapa checkpoint eksternal untuk dirakit, tetapi tim yang memiliki perangkat keras dapat menjalankannya minggu ini. Genie 4 adalah yang memiliki daftar tunggu.

Ada baiknya bersikap langsung tentang katalog kami sendiri: OrcaRouter tidak menghosting model mana pun. CARI4D adalah pipeline rekonstruksi riset tanpa endpoint yang dihosting di mana pun, dan Genie 4 tidak memiliki API publik untuk dirutekan. Yang kami rutekan adalah bagian dari lapisan penalaran yang dibangun Google di sekitar Genie 4 — Gemini 3.8 Flash, model yang mengamati frame yang dihasilkan dan merencanakan ulang, serta Gemini Robotics ER 1.6 preview — pada satu API di lebih dari 200 model dengan harga daftar penyedia diteruskan tanpa markup 0% dan failover otomatis antar penyedia. Jika pekerjaan Anda yang sebenarnya adalah mengajukan pertanyaan tentang sebuah video alih-alih merekonstruksinya atau menghasilkannya, model multimodal yang dihosting adalah jawaban yang lebih murah, dan itu tidak memerlukan undangan.

Bagi semua orang, keputusannya cukup dijelaskan dengan satu kalimat masing-masing. Jika video sudah ada dan Anda perlu mengetahui apa yang dilakukan orang dan objek tersebut, CARI4D adalah satu-satunya dari keduanya yang menjawab pertanyaan itu. Jika dunia belum ada dan Anda perlu melihatnya bergerak, Genie 4 adalah satu-satunya yang akan memperlihatkannya kepada Anda — setelah seseorang mengizinkan Anda masuk.