Genie 4 vs Agora 2: Jeden świat z reżyserem czy dwadzieścia osób w tym samym pokoju

„Do 20 uczestników” to liczba, którą Odyssey podała przy uruchomieniu Agora 2 21 września 2026 r., a rozkłada się ona na coś ciekawszego, niż brzmi: czterech ludzkich operatorów i szesnastu autonomicznych agentów, współdzielących jeden trwały świat. Genie 4, ogłoszony przez Google DeepMind pięć tygodni później, 27 października 2026 r., stawia niemal odwrotny zakład. Daje pojedynczemu użytkownikowi niezwykle przekonujący świat z natywnym dźwiękiem i sterowaniem w języku naturalnym i nie pozwala drugiej osobie do niego wejść. To nie są dwie wersje tego samego produktu na różnych poziomach jakości. To dwa programy badawcze, które przypadkiem dzielą jeden rzeczownik.

Trzy pytania, które je od siebie odróżniają, brzmią: kto jeszcze jest na świecie, czy świat istnieje, gdy nikt na niego nie patrzy, oraz czy wydaje dźwięk. Genie 4 odpowiada na trzecie lepiej niż cokolwiek, co wydano przed nim, a na pierwsze dwa wcale. Agora 2 odpowiada na pierwsze dwa, a o trzecim nie ma prawie nic do powiedzenia.

Dwadzieścia to tak naprawdę cztery plus szesnaście

Nagłówek Odyssey'ego to twierdzenie o wieloosobowości i warto precyzyjnie określić, co jest faktycznie połączone. Czterech ludzi steruje postaciami w czasie rzeczywistym. Kolejnych szesnaście bytów to polityki wytrenowane za pomocą uczenia ze wzmocnieniem — zachowania potworów i towarzyszy — które działają w tym samym świecie. Uczciwy opis to więc gra dla czterech graczy zaludniona przez wyuczone agenty, co stanowi pięciokrotność liczby uczestników Agora 1 i znacząco odmienną architekturę od jednoosobowego demo generatywnego.

Środowiska są liczne, a nie pojedyncze, zachowanie utrzymuje się przez dłuższe horyzonty, a danymi treningowymi są nagrania z Diablo II — izometrycznej gry RPG akcji z 2000 roku. Ten ostatni szczegół nie jest ciekawostką. Mówi on, że zespół celowo wybrał grę o ustalonej gramatyce kamery i gęstej interakcji między encjami zamiast fotorealistycznego otwartego świata, ponieważ to właśnie w takim otoczeniu wspólny stan da się testować, a poprzeczka wizualna jest osiągalna.

Dlaczego stan pozaekranowy jest najtrudniejszą częścią

Większość modeli świata, w tym Genie 4, działa jak bardzo zaawansowany generator wideo. Scena istnieje jako klatki, a wszystko, na co kamera akurat nie jest skierowana, musi zostać wygenerowane od nowa, gdy kamera tam wróci — dlatego permanencja obiektów ulega pogorszeniu i dlatego materiały samego Google towarzyszące premierze ostrzegają, że szczegóły i obiekty dryfują tym bardziej, im dłużej trwa symulacja i im bardziej złożone stają się edycje promptu.

Agora 2 rozwiązuje ten problem tym, że w swoim rdzeniu nie jest generatorem wideo. Utrzymuje autorytatywny stan świata po stronie serwera, który trwa niezależnie od dowolnego punktu widzenia, przy czym wyuczony model symulacji obsługuje ruch, a osobny stos renderowania rysuje to, co widzi każdy klient. Encje nadal istnieją, gdy nikt na nie nie patrzy. Dlatego dwudziestu uczestników może być jednocześnie spójnych: nie każdy z nich prosi generator o wyobrażenie sobie pozostałych, lecz czytają z jednej wspólnej prawdy.

Część, która musi być współdzielona, jest celowo niewielka pod względem inżynieryjnym. Model symulacji ma według doniesień około 4,46 mln parametrów, cztery warstwy i szerokość 256, a do tego czternaście gałęzi ruchu oraz osobną głowicę kierunku. Renderer to duża sieć — transformer flow-matching o około miliardzie parametrów, szesnaście bloków o szerokości 2048, z których pięć obsługuje przyczynową uwagę czasową. Mówiąc brutalnie: reguły mają być tanie i identyczne dla wszystkich, a moc obliczeniową trzeba przeznaczyć na to, co widzi każdy gracz.

Zaleta Genie 4 to część, którą słyszysz

Na tym tle wkład Genie 4 wydaje się wąski, ale taki nie jest. Natywne audio — pejzaże dźwiękowe otoczenia, muzyka i dialogi mówione z postaciami, które reagują w scenie — to coś, czego żaden inny model świata w tym porównaniu w ogóle nie oferuje. Raport techniczny Odyssey nie zawiera żadnych twierdzeń dotyczących audio. Podobnie jest z ABot-Earth, WorldClaw i HY-Nomas.

To ma większe znaczenie w symulacji niż w rozrywce. Środowisko treningowe dla agenta ucieleśnionego, które nie potrafi generować dźwięku, jest pozbawione całej modalności wejściowej; narzędzie prewizualizacji bez dźwięku sprawia, że dział dźwięku pracuje od zera, dopasowując się do cudzego timingu. Genie 4 można również sterować językiem naturalnym w trakcie symulacji, czego Agora 2 nie potrafi — świat Odyssey rządzi się mechaniką gry i danymi wejściowymi od gracza, a nie promptem, który zmienia pogodę.

To, czego Genie 4 nie potrafi, to dopuścić drugi kontroler. Nie ma współdzielonego stanu, serwera autorytatywnego ani pojęcia innego uczestnika. Poproś je, by obsłużyło czterech graczy, a otrzymasz cztery niezależne światy, które przypadkiem korzystają z tego samego promptu.

640×480 to decyzja projektowa, a nie zgłoszenie błędu

Agora 2 renderuje w rozdzielczości 640×480, a recenzenci zauważyli sporadyczne rozmycia obiektów. Łatwo byłoby uznać to za wadę na tle deklarowanego fotorealizmu Genie 4 — gdyby nie to, że Genie 4 w ogóle nie podał żadnej rozdzielczości.

Ta asymetria jest warta zastanowienia. Jeden zespół dostarczył niskorozdzielczy świat i opublikował sekcję ograniczeń, przyznając, że utrzymywana liczba klatek na sekundę, opóźnienie od wejścia do wyświetlenia, jakość wizualna w długim horyzoncie, spójność między widokami i zgodność z działaniami nie zostały ocenione ilościowo. Drugi dostarczył twierdzenie o fotorealizmie, dwuminutowe okno spójności i żadnych liczb. Gdy jedna strona jest mierzalna, a druga nie, strona mierzalna zwykle wygląda gorzej i zwykle jest bardziej użyteczna.

Dwa różne zakłady dotyczące tego, do czego służą modele świata

Odyssey stawia na to, że interesujące problemy mają charakter społeczny i wieloagentowy. Ich ujęcie jest jednoznaczne: wspólny symulowany świat jest bezpieczniejszym miejscem do badania, jak wiele agentów zachowuje się razem, niż świat rzeczywisty. Firma przywołała jako motywację zgłoszony przez METR incydent, w którym około 1200 agentów samoistnie się zorganizowało. Zgodnie z tą tezą wierność jest środkiem, a liczba uczestników jest celem, ponieważ zjawiska, które chcesz obserwować — zmowę, koordynację, wyłaniający się podział ról — pojawiają się tylko w skali.

Google zakłada, że ciekawe problemy dotyczą percepcji i instrukcji. W myśl tej tezy użytecznym artefaktem jest pojedynczy reżyser dysponujący fotorealistycznym, dźwiękowym i sterowalnym światem — niezależnie od tego, czy tym reżyserem jest filmowiec inscenizujący ujęcie, czy zespół robotyki ćwiczący zadanie. Najwymowniejsze demo Genie 4 idealnie to potwierdza: Gemini 4 Argon rozłożyło zadania, które Genie 4 symulowało w czasie rzeczywistym dla humanoida Apptronik Apollo. Jeden agent, jeden świat, bez tłumu.

Oba założenia mogą być słuszne. Nie może ich obsłużyć jeden model, dlatego ujęcie „który jest lepszy” zawodzi.

Rachunek za podawanie, którego nikt nie umieszcza w nagłówku

Agora 2 podobno wykorzystuje około czterech GPU RTX PRO 4500 do obsługi sesji czteroosobowej, przy czym trenowanie i obsługa odbywają się na AWS Trainium. To realna liczba i to właśnie takie liczby decydują, czy badawcza wersja zapoznawcza może stać się produktem. Dwudziestu uczestników w jednym świecie jest tanie pod względem graczy, a drogie pod względem krzemu, ponieważ współdzielony stan oznacza, że serwer musi być autorytatywnym źródłem prawdy dla wszystkich jednocześnie.

Genie 4 nie ujawniło żadnych kosztów obsługi. To badawcza wersja zapoznawcza dla zaufanych testerów, a następni w kolejce są abonenci Google AI Ultra i partnerzy Gemini API z wczesnym dostępem. Nikt spoza grona testerów nie wie, ile kosztuje wyprodukowanie minuty wygenerowanego świata, co oznacza, że nikt jeszcze nie może powiedzieć, czy imponujące demo przetrwa zderzenie z cennikiem.

Co tak naprawdę potwierdza każdy z nich

Agora 2 jest dowodem na to, że model świata może stanowić podłoże dla badań wieloagentowych, a nie sztuczkę renderowania. Jeśli twoje pytanie brzmi „co się dzieje, gdy wielu agentów współdzieli środowisko?”, to jest on jedynym z tych dwóch, który ma środowisko do współdzielenia, a to, że można w niego zagrać w przeglądarce pod adresem agora.odyssey.ml, sprawia, że jest on wyjątkowo dostępny jak na badawczy podgląd.

Genie 4 jest dowodem na to, że sufit percepcji się przesunął. Jeśli twoje pytanie brzmi: „czy wygenerowany świat może być wystarczająco przekonujący, by planować na jego podstawie?”, to jest ono z przodu, a powodem jest dźwięk — po raz pierwszy model świata wygenerował scenę, którą można komuś przekazać bez przepraszania za ciszę.

Dla zespołów budujących infrastrukturę agentów, a nie światy, praktyczna lekcja z Agora 2 jest taka, że koszt koordynacji dominuje. Dwadzieścia agentów w jednym świecie to problem routingu, zanim staje się problemem grafiki: który model obsługuje politykę którego agenta, co się dzieje, gdy jeden punkt końcowy się zawiesza, jak sprawić, by tanie wywołania weryfikacyjne pozostały tanie. To warstwa, nad którą pracujemy — jedno API obejmujące ponad 200 modeli z automatycznym przełączaniem awaryjnym, dzięki czemu przebieg wieloagentowy nie umiera, bo jeden dostawca miał gorszą minutę — i to warstwa, która pozostaje stała niezależnie od tego, który model świata ostatecznie przyjmiecie jako standard.

Pytanie, które warto zadać w październiku 2026 roku, nie brzmi, które z tych dwóch jest lepsze. Brzmi ono: czy potrzebny ci model świata to miejsce, w którym mogą stanąć inni agenci, czy ujęcie, które możesz wyreżyserować. Odyssey zbudował to pierwsze. Google zbudował to drugie i uczynił je najlepiej wyglądającym, jakie ktokolwiek pokazał.