Genie 4 対 CARI4D：一方は世界を生成し、もう一方は動画を解く

唯一Genie 4とCARI4Dが確実に共有しているのは、ラベルだけだ。2026年10月27日にGoogle DeepMindが発表したGenie 4は、生成的世界モデルである。シーンを説明し、自然言語で操作すると、同期音声付きの数分間の動画を生成する。NVIDIA ResearchのCVPR 2026再構成手法であるCARI4Dは、逆方向に進む。人物が物体を扱う単眼動画を入力すると、その人物のポーズ、物体の6自由度軌道、各フレームにつき2つの手の接触スコアを返す。一方はもっともらしい世界を発明する。もう一方は実在の世界を測定する。両者を同じ土俵に並べると、有用な問いは「どちらが優れているか」ではなく「自分の問題はどちらの方向を向いているか」になる。

混乱は無理もありません。どちらの製品も「4D」に分類され、どちらも時間の中で動く何かを生み出すからです。しかし生成器と再構成手法は、同じ課題を競合する実装ではありません。失敗の仕方が正反対で、購入する人々も異なります。Genie 4は、実在しなかった説得力のある街並みを創り出せますが、その中の何かが実際にどこにあるのかは教えられません。CARI4Dは、手がやかんを握って閉じた様子をフレーム単位で教えられますが、見たことのないやかんを創り出すことはできません。以下では、この2つのモデルを、入力するもの、返すもの、そしてそれぞれが構造上できないことによって分けています。

Genie 4 が返すもの：シーンファイルではなく、セッション

Genie 4 についてまず理解すべきは、その出力はリアルタイムで消費され、ジオメトリとしてセッションを超えて残ることはないという点です。Google 自身の説明によれば、それは自分が動かし操る世界です。カメラを動かし、天気を変え、キャラクターを追加すれば、Gemini モデルがその指示をすでに画面に映っているものに適応させます。フレームは自己回帰的に生成されるため、一貫性はシーンの複雑さではなく秒や分の単位で測られることになります。

Genie 3 に加わった要素は、どの見出しもこぞって取り上げたものだ。音声は後から重ねるのではなく、環境音、音楽、インタラクティブな対話をネイティブに生成する。ステアリングは、世界を再起動させるプロンプトではなくライブで行える。また、一貫性が保たれる時間は約2分と報じられており、前身の2倍だが、Googleのブログでは「短いセッション」としか述べておらず、2分という数字はローンチ時の説明会に由来する。

欠けているものも同じくらい重要だ。メッシュのエクスポートも、シーングラフも、カメラトラックも、深度バッファもなく、生成された世界をBlender、Unity、Unrealに持ち込む方法もない。ショットのブロッキングをしたいスタジオは、Genie 4がそれを行うのを見ることはできるが、その結果をパイプラインに渡すことはできない。公開されている解像度、フレームレート、モデルサイズ、ベンチマーク、価格もなく、アクセスは公開ウェイトリスト付きの限定された信頼できるテスター枠に限られている。Project Genie経由のAI Ultra購読者とGemini APIの早期アクセスパートナーには「まもなく」提供すると約束されているが、日付はない。

Googleは失敗モードをきちんと明示している。これはほとんどのローンチ記事がしないことだ。長めのセッションや編集の繰り返しに伴って細部とオブジェクトの永続性がずれ、空間精度は不完全で、ワールド内のテキストはしばしば判読不能、音声の精度は未解決のままだ。すべての出力にはSynthIDのウォーターマークが付与される。プリビジュアライゼーションツールとしては、これらの注意点は許容できる。測定を必要とする用途にとっては、致命的である。

CARI4D が返すもの: ポーズ、軌道、接触

CARI4Dは単一のネットワークではなくパイプラインであり、その出力は意図的に狭く限定されている。単眼RGB動画が与えられると、パラメトリックボディモデルを用いて人物を再構成し、最初のフレームから操作対象物体のメッシュを再構成し、両方をメートルスケールで配置し、シーケンス全体を通して追跡する。補正を行う学習済みコンポーネントはCoCoNetであり、これはレンダー・アンド・コンペア型のトランスフォーマーで、現在の推定値をRGB、深度、マスクにレンダリングし、フレームごとのポーズ補正と各手につき1つの接触ロジットを回帰する。

依存関係はリポジトリ内で明示されています。メトリック深度にはUniDepth、人体姿勢にはNLF、オブジェクトメッシュにはHunyuan3D、姿勢探索とトラッキングにはFoundationPose、補正パスにはCoCoNetです。これはデプロイの予算計画で重要です。というのも、それぞれが独自のライセンスと独自のハードウェアプロファイルを持つ別個のチェックポイントだからです。

CARI4Dは2つの形態で提供されています。研究用チェックポイント、nvidia/CARI4Dは研究開発専用と明記され、2025年12月12日に公開されたarXiv 2512.11988にリンクしています。商用版のcari4d_commercialは、NVIDIAのMomentum Human Rigを対象とし、NVIDIA Open Model Agreementに準拠しています。Hugging Face上のどの推論プロバイダーにもデプロイされていないため、「利用可能」とはエンドポイントではなく、重みとDocker設定とNVIDIA GPUを意味します。公開リーダーボードの行も独立した再現もありません。数値的証拠は、ベンダーが作成した研究であるBEHAVEに関するCVPR論文自身のアブレーションです。

次元ごとの比較

• Input — Genie 4はテキスト記述とリアルタイムのステアリング指示を受け取り、CARI4Dは既に存在する単眼RGB動画を受け取ります。

• 出力 — Genie 4は生成された映像と音声をセッション内でストリーミングして返し、CARI4Dはフレームごとの人物のポーズと形状、物体の回転と並進、および手の接触ロジットを返します。

• グラウンディング — Genie 4 はもっともらしいがグラウンディングされていない。出力には測定された座標に対応するものが何もない。CARI4D はメトリックで、深度推定と観測フレームに対するポーズ探索を通じてスケールを復元する。

• 永続性 — Genie 4 の世界はセッションが終了すると消滅し、エクスポートすることもできません。CARI4D の出力は、保存・再レンダリング・比較が可能なデータ構造です。

• オーディオ — Genie 4 は対話を含めてこれを生成しますが、CARI4D にはそれがなく、音声をモデル化しません。

• アクセス — Genie 4は招待制で価格は非公開。CARI4Dは研究ライセンス付きでダウンロード可能な重みとして提供され、NVIDIAとの契約のもとで商用版も用意されている。

• 証拠 — Genie 4にはデモとベンダーの主張があり、公表されたベンチマークはありません。CARI4Dには査読済み論文とベンダーが実施したアブレーションがあり、第三者による再現はありません。

存在する重なりと、存在しない重なり

魅力的な組み合わせは、CARI4Dを使って実際のインタラクションを再構成し、その後Genie 4を使ってそのバリエーションを想像することだ。紙の上では、この引き継ぎは自然に見える。CARI4Dは実寸に基づく人間と物体のシーンを生成し、Genie 4は別の結果を生成する。しかし実際には、両者の間にインターフェースは存在しない。Genie 4が受け付けるのはテキストとステアリング入力であり、再構成されたシーン、メッシュ、ポーズトラックではない。どちらのチームも、一方を他方に投入する方法を公表したものはない。そして、スクリーンショット上で両方の出力が立体的に見えるからといって、それらが互換性のある形式になるわけではない。

実際に存在する重なりは、より狭く、より有用だ。どちらも物理的シーンで次に何が起こるかを推論するためのツールである。CARI4D は、接触、把持、軌道といった観測されたダイナミクスを提供する。これはまさに、ロボット学習パイプラインがデモンストレーションにラベルを付けるために必要とする種類の信号である。Genie 4 は反事実を提供し、これはポリシーが記録していない状況をリハーサルするために必要なものである。身体化データを構築するラボは、どちらのモデルも互いにやり取りすることなく、同じデータセットの異なる側面で両方を使うことはもっともなことだ。

失敗モードもまた鏡像関係にある。Genie 4は誤った物体を美しく描画し、2分かけてそこから乖離していくことができる。CARI4Dは形状の悪い物体を動画全体にわたって正確に追跡でき、それでも質の低いメッシュを出力する。なぜなら、その指標は表面の忠実度ではなく姿勢と接触に関するものだからだ。どちらのモデルも相手の弱点を補わない。

今週実際に実行できること

CARI4Dは実行への道筋がある方です。重みは公開されており、Dockerイメージも存在し、A100クラスのGPUがドキュメントで示されたターゲットです。読むべき論文があり、複数の外部チェックポイントを組み立てる必要がある研究パイプラインではありますが、ハードウェアを持つチームなら今週中に動かせます。順番待ちリストがあるのはGenie 4の方です。

自社のカタログについて率直に言う価値があります。OrcaRouter はどちらのモデルもホストしていません。CARI4D は研究用の再構築パイプラインで、どこにもホストされたエンドポイントはなく、Genie 4 にはルーティングできる公開 API がありません。当社がルーティングしているのは、Google が Genie 4 を中心に構築した推論レイヤーの一部です — Gemini 3.8 Flash、生成されたフレームを監視して再計画するモデル、および Gemini Robotics ER 1.6 preview — 200 以上のモデルにわたる単一の API 上で、プロバイダーの定価を 0% のマークアップでそのまま反映し、プロバイダー間で自動フェイルオーバーします。実際の目的が動画を再構築したり生成したりするのではなく、動画について質問することであるなら、ホスト型マルチモーダルモデルの方が安上がりな答えであり、招待も必要ありません。

他のすべての人にとっては、判断はそれぞれ一文に尽きます。動画がすでに存在し、人物と物体が何をしたのかを知る必要があるなら、CARI4D は二つのうち、その問いに答える唯一のものです。世界がまだ存在せず、それが動くところを見る必要があるなら、Genie 4 だけがそれを見せてくれます — 誰かがあなたを中に入れてくれたら。