Genie 4 vs CARI4D: uno genera un mondo, l'altro risolve un video

L'unica cosa che Genie 4 e CARI4Dcondividono in modo affidabile è un'etichetta. Genie 4, annunciato da Google DeepMind il 27 ottobre 2026, è un modello generativo del mondo: descrivi una scena, la guidi in linguaggio naturale e produce video con audio sincronizzato per un paio di minuti. CARI4D, il metodo di ricostruzione CVPR 2026 di NVIDIA Research, va nella direzione opposta. Prende un video monoculare di una persona che maneggia un oggetto e restituisce la posa di quella persona, la traiettoria a sei gradi di libertà dell'oggetto e due punteggi di contatto con le mani per ogni fotogramma. Uno inventa un mondo plausibile. L'altro ne misura uno reale. Mettili sulla stessa pagina e la domanda utile smette di essere "quale sia migliore" e diventa "in quale direzione è rivolto il mio problema".

La confusione è comprensibile, perché entrambi i prodotti vengono classificati sotto "4D" ed entrambi producono qualcosa che si muove nel tempo. Ma un generatore e un metodo di ricostruzione non sono implementazioni concorrenti dello stesso compito; falliscono in modi opposti e vengono acquistati da persone diverse. Genie 4 può inventare una strada convincente che non è mai esistita, e non può dirti dove si trovi realmente qualcosa al suo interno. CARI4D può dirti, con precisione al fotogramma, come una mano si è chiusa attorno a un bollitore, e non può inventare un bollitore che non ha visto. Di seguito, i due modelli sono separati da ciò che ricevono in input, ciò che restituiscono e ciò che ciascuno, per struttura, non può fare.

Cosa restituisce Genie 4: una sessione, non un file di scena

La prima cosa da capire su Genie 4 è che il suo output viene consumato in tempo reale e non sopravvive alla sessione come geometria. La descrizione di Google stessa è un mondo che metti in movimento e guidi: sposta la telecamera, cambia il meteo, aggiungi un personaggio, e un modello Gemini adatta l'istruzione a ciò che è già sullo schermo. I frame vengono generati in modo autoregressivo, ed è per questo che la coerenza si misura in secondi e minuti anziché in complessità della scena.

Le novità rispetto a Genie 3 sono quelle riprese da tutti i titoli. L'audio è generato in modo nativo — suoni ambientali, musica e dialoghi interattivi — anziché aggiunto a posteriori. Il controllo è in tempo reale anziché tramite un prompt che riavvia il mondo. E la finestra di coerenza è riportata a circa due minuti, il doppio rispetto al predecessore, sebbene il blog di Google parli solo di "sessioni brevi" e la cifra di due minuti provenga dai briefing di lancio.

Ciò che è assente conta altrettanto. Non c'è esportazione di mesh, né scene graph, né traccia di camera, né depth buffer, e non c'è alcun modo di portare il mondo generato in Blender, Unity o Unreal. Uno studio che vuole bloccare una ripresa può guardare Genie 4 farlo e non può consegnare il risultato a una pipeline. Non ci sono inoltre risoluzione, frame rate, dimensione del modello, benchmark o prezzo pubblicati, e l'accesso è un pool limitato di tester fidati con una lista d'attesa pubblica — agli abbonati AI Ultra tramite Project Genie e ai partner in early access all'API Gemini è promesso "presto", senza alcuna data.

Google elenca effettivamente le modalità di fallimento, cosa che la maggior parte dei post di lancio non fa: la permanenza di dettagli e oggetti si deteriora nelle sessioni più lunghe e dopo modifiche ripetute, l'accuratezza spaziale è imperfetta, il testo all'interno del mondo è spesso illeggibile e l'accuratezza audio è irrisolta. Tutto l'output porta un watermark SynthID. Per uno strumento di previsualizzazione queste avvertenze sono superabili. Per qualsiasi cosa che richieda una misurazione, sono disqualificanti.

Cosa restituisce CARI4D: pose, traiettorie e contatto

CARI4D è una pipeline, non una singola rete, e il suo output è deliberatamente limitato. Dato un video RGB monoculare, ricostruisce la persona con un modello corporeo parametrico, ricostruisce la mesh dell'oggetto manipolato dal primo frame, colloca entrambi in scala metrica e li traccia attraverso la sequenza. La componente appresa che effettua la correzione è CoCoNet, un transformer render-and-compare che prende la stima corrente, la renderizza in RGB, profondità e maschere, e regredisce correzioni di posa per-frame più un logit di contatto per ciascuna mano.

Le dipendenze sono esplicite nel repository: UniDepth per la profondità metrica, NLF per la posa umana, Hunyuan3D per la mesh dell'oggetto, FoundationPose per la ricerca e il tracciamento della posa, e CoCoNet per la passata di correzione. Questo conta quando si pianifica il deployment, perché ciascuna di esse è un checkpoint separato con la propria licenza e il proprio profilo hardware.

CARI4D è disponibile in due forme. Il checkpoint di ricerca, nvidia/CARI4D, è contrassegnato come destinato esclusivamente alla ricerca e sviluppo e rimanda ad arXiv 2512.11988, pubblicato il 12 dicembre 2025. Una variante commerciale, cari4d_commercial, riguarda il Momentum Human Rig di NVIDIA ed è disciplinata dal NVIDIA Open Model Agreement. Nessuna delle due è distribuita da alcun fornitore di inferenza su Hugging Face, quindi "disponibile" significa pesi più una configurazione Docker più una GPU NVIDIA, non un endpoint. Non esiste alcuna riga pubblica in classifica né alcuna riproduzione indipendente; l'evidenza numerica è costituita dalle ablazioni del paper CVPR stesso su BEHAVE, che è ricerca prodotta dal fornitore.

Il confronto, dimensione per dimensione

• Input — Genie 4 accetta una descrizione testuale insieme a istruzioni di guida in tempo reale; CARI4D accetta un video RGB monoculare già esistente.

• Output — Genie 4 restituisce video e audio generati, trasmessi in streaming in una sessione; CARI4D restituisce posa e forma umana per frame, rotazione e traslazione degli oggetti e logit di contatto della mano.

• Ancoraggio — Genie 4 è plausibile ma non ancorato; nulla nell'output corrisponde a una coordinata misurata. CARI4D è metrico e recupera la scala tramite stima della profondità e ricerca della posa rispetto ai frame osservati.

• Persistenza — Il mondo di Genie 4 termina al termine della sessione e non può essere esportato. L'output di CARI4D è una struttura dati che puoi memorizzare, renderizzare di nuovo e confrontare.

• Audio — Genie 4 lo genera, compresi i dialoghi; CARI4D non ne ha alcuno e non modella il suono.

• Accesso — Genie 4 è disponibile solo su invito e senza un prezzo; CARI4D consiste in pesi scaricabili con licenza di ricerca e in una variante commerciale ai sensi dell'accordo NVIDIA.

• Prove — Genie 4 ha demo e dichiarazioni del fornitore, nessun benchmark pubblicato; CARI4D ha un articolo sottoposto a revisione paritaria, ablazioni eseguite dal fornitore e nessuna riproduzione di terze parti.

La sovrapposizione che esiste, e quella che non esiste.

La combinazione allettante è usare CARI4D per ricostruire un'interazione reale, poi usare Genie 4 per immaginarne varianti. Sulla carta il passaggio di consegne sembra naturale: CARI4D produce una scena umano-oggetto metricamente fondata, e Genie 4 produce esiti alternativi. In pratica non esiste un'interfaccia tra i due. Genie 4 accetta input testuali e di steering, non una scena ricostruita, una mesh o una traccia di posa. Nulla di quanto pubblicato da nessuno dei due team descrive l'uso dell'uno come input per l'altro, e il fatto che entrambi gli output appaiano tridimensionali in uno screenshot non li rende formati compatibili.

La sovrapposizione che esiste davvero è più ristretta e più utile: entrambi sono strumenti per ragionare su ciò che accade dopo in una scena fisica. CARI4D fornisce le dinamiche osservate — contatto, presa, traiettoria — che è esattamente il tipo di segnale di cui una pipeline di apprendimento robotico ha bisogno per etichettare le dimostrazioni. Genie 4 fornisce i controfattuali, ciò di cui ha bisogno una policy per fare pratica con situazioni che non ha registrato. Un laboratorio che costruisce dati embodied potrebbe plausibilmente usarli entrambi, su versanti diversi dello stesso dataset, senza che i due modelli si parlino mai.

Anche le modalità di errore sono immagini speculari. Genie 4 può renderizzare magnificamente un oggetto sbagliato e allontanarsene nel corso di due minuti. CARI4D può tracciare accuratamente per l'intero video un oggetto dalla forma sbagliata e restituirti comunque una mesh scadente, perché le sue metriche riguardano la posa e il contatto anziché la fedeltà della superficie. Nessuno dei due modelli risolve la debolezza dell'altro.

Cosa puoi effettivamente eseguire questa settimana

CARI4D è quello con un percorso verso l'esecuzione. I pesi sono pubblici, l'immagine Docker esiste e una GPU di classe A100 è il target documentato. È ancora una pipeline di ricerca con un paper da leggere e diversi checkpoint esterni da assemblare, ma un team con l'hardware può farla girare questa settimana. Genie 4 è quello con una lista d'attesa.

Vale la pena essere diretti sul nostro catalogo: OrcaRouter non ospita nessuno dei due modelli. CARI4D è una pipeline di ricostruzione per la ricerca senza alcun endpoint ospitato da nessuna parte, e Genie 4 non ha un'API pubblica su cui instradare. Ciò che instradiamo è parte del livello di ragionamento che Google ha costruito attorno a Genie 4 — Gemini 3.8 Flash, il modello che osserva i frame generati e ripianifica, e Gemini Robotics ER 1.6 preview — su un'unica API su oltre 200 modelli, con i prezzi di listino dei provider applicati senza alcun ricarico e failover automatico tra provider. Se il tuo obiettivo effettivo è porre domande su un video anziché ricostruirlo o generarlo, un modello multimodale ospitato è la risposta più economica e non richiede un invito.

Per tutti gli altri, la decisione si riduce a una frase per ciascuno. Se il video esiste già e devi sapere cosa hanno fatto la persona e l’oggetto, CARI4D è l’unico dei due a rispondere alla domanda. Se il mondo non esiste ancora e devi vederlo muoversi, Genie 4 è l’unico che te lo mostrerà — una volta che qualcuno ti farà entrare.