Genie 4 vs Agora 2: Um Mundo Com um Diretor, ou Vinte Pessoas na Mesma Sala

“Até 20 participantes” é o número que a Odyssey usou para lançar o Agora 2 em 21 de setembro de 2026, e ele se decompõe em algo mais interessante do que parece: quatro controladores humanos e dezesseis agentes autônomos, todos compartilhando um único mundo persistente. O Genie 4, anunciado pelo Google DeepMind cinco semanas depois, em 27 de outubro de 2026, faz quase a aposta oposta. Ele oferece a um único usuário um mundo extraordinariamente convincente, com som nativo e direcionamento em linguagem natural, e não permite que uma segunda pessoa entre nele. Esses não são duas versões do mesmo produto em níveis de qualidade diferentes. São dois programas de pesquisa que, por acaso, compartilham um substantivo.

As três perguntas que os separam são: quem mais está no mundo, se o mundo existe quando ninguém está olhando para ele e se ele faz um som. O Genie 4 responde à terceira melhor do que qualquer coisa lançada antes dele e às duas primeiras não responde de forma alguma. O Agora 2 responde às duas primeiras e quase não tem nada a dizer sobre a terceira.

Vinte é, na verdade, quatro mais dezesseis

A manchete do Odyssey é uma afirmação de multijogador, e vale a pena ser preciso sobre o que está realmente conectado. Quatro humanos controlam personagens em tempo real. Mais dezesseis entidades são políticas treinadas com aprendizado por reforço — comportamentos de monstros e companheiros — que agem dentro do mesmo mundo. Portanto, a descrição honesta é a de um jogo para quatro jogadores povoado por agentes aprendidos, o que é cinco vezes a contagem de participantes do Agora 1 e uma arquitetura significativamente diferente de uma demo generativa para um jogador.

Os ambientes são múltiplos, e não apenas um; o comportamento se mantém ao longo de horizontes mais longos; e os dados de treinamento são capturas de Diablo II — um RPG de ação isométrico de 2000. Esse último detalhe não é uma curiosidade. Ele mostra que a equipe escolheu deliberadamente um jogo com uma gramática de câmera fixa e interação densa entre entidades em vez de um mundo aberto fotorrealista, porque é nesse cenário que o estado compartilhado é testável e o padrão visual é alcançável.

Por Que o Estado Fora da Tela É a Parte Difícil

A maioria dos modelos de mundo, incluindo o Genie 4, funciona como um gerador de vídeo muito sofisticado. A cena existe como quadros, e tudo aquilo para o que a câmera não está apontada no momento precisa ser regenerado quando a câmera volta — é por isso que a permanência dos objetos se degrada, e por que o próprio material de lançamento do Google alerta que detalhes e objetos se desviam quanto mais tempo uma simulação roda e quanto mais complexas se tornam as edições de prompt.

O Agora 2 resolve isso por não ser, em sua essência, um gerador de vídeo. Ele mantém um estado de mundo autoritativo no servidor que persiste independentemente de qualquer ponto de vista, com um modelo de simulação aprendido cuidando do movimento e uma pilha de renderização separada desenhando o que cada cliente vê. As entidades continuam existindo quando ninguém está olhando para elas. É por isso que vinte participantes podem ser coerentes ao mesmo tempo: eles não estão cada um pedindo a um gerador que imagine os outros, estão lendo de uma única verdade compartilhada.

A engenharia é deliberadamente pequena na parte que precisa ser compartilhada. O modelo de simulação é relatado com cerca de 4,46 milhões de parâmetros, quatro camadas, largura 256, com catorze ramos de movimento e uma cabeça de orientação separada. O renderizador é a grande rede — um transformer de flow matching com cerca de um bilhão de parâmetros, dezesseis blocos com largura 2.048, cinco deles com atenção temporal causal. De forma grosseira: torne as regras baratas e idênticas para todos, gaste o processamento naquilo que cada jogador vê.

A vantagem do Genie 4 é a parte que você ouve

Em contraste com isso, as contribuições do Genie 4 parecem estreitas, mas não são. Áudio nativo — paisagens sonoras ambientais, música e diálogo falado com personagens que respondem na cena — é algo que nenhum outro modelo de mundo nesta comparação oferece de modo algum. O relatório técnico da Odyssey não faz nenhuma alegação sobre áudio. Tampouco ABot-Earth, WorldClaw ou HY-Nomas.

Isso importa mais para simulação do que para entretenimento. Um ambiente de treinamento para um agente corporificado que não consegue produzir som está deixando de fora uma modalidade de entrada inteira; uma ferramenta de pré-visualização sem áudio deixa o departamento de som trabalhando do zero em cima do timing de outra pessoa. O Genie 4 também é conduzido em linguagem natural no meio da simulação, o que o Agora 2 não é — o mundo da Odyssey é regido por mecânicas de jogo e pela entrada do jogador, não por um prompt que muda o clima.

O que o Genie 4 não consegue fazer é admitir um segundo controle. Não há estado compartilhado, nenhum servidor autoritativo, nenhuma noção de outro participante. Peça para ele rodar quatro jogadores e você terá quatro mundos independentes que, por acaso, compartilham um prompt.

640×480 é uma escolha de design, não um relatório de bug.

O Agora 2 renderiza em 640×480, e os revisores notaram desfoque ocasional em objetos. Seria fácil registrar isso como uma deficiência diante do fotorrealismo alegado do Genie 4 — exceto que o Genie 4 não publicou resolução alguma.

Essa assimetria merece ser ponderada. Uma equipe entregou um mundo de baixa resolução e publicou sua seção de limitações, admitindo que taxa de quadros sustentada, latência entre entrada e exibição, qualidade visual de longo horizonte, coerência entre vistas e aderência às ações não foram avaliadas quantitativamente. A outra entregou uma alegação fotorrealista, uma janela de coerência de dois minutos e nenhum número. Quando um lado é mensurável e o outro não, o lado mensurável costuma parecer pior e normalmente é mais útil.

Duas apostas diferentes sobre para que servem os modelos de mundo

A Odyssey aposta que os problemas interessantes são sociais e multiagente. Seu enquadramento é explícito: um mundo simulado compartilhado é um ambiente mais seguro para estudar como muitos agentes se comportam juntos do que o mundo real. A empresa citou como motivação um incidente relatado pelo METR no qual cerca de 1.200 agentes se auto-organizaram. Sob essa tese, a fidelidade é um meio e o número de participantes é o objetivo, porque os fenômenos que você quer observar — conluio, coordenação, divisão emergente de papéis — só aparecem em escala.

O Google aposta que os problemas interessantes são perceptuais e instrucionais. Sob essa tese, um único diretor com um mundo fotorrealista, audível e controlável é o artefato útil, seja o diretor um cineasta marcando uma tomada ou uma equipe de robótica ensaiando uma tarefa. A demonstração mais reveladora da Genie 4 encaixa-se exatamente nisso: o Gemini 4 Argon decompôs tarefas que a Genie 4 simulou em tempo real para um humanoide Apollo da Apptronik. Um agente, um mundo, sem multidão.

As duas apostas podem estar certas. Elas não podem ser atendidas por um único modelo, e é por isso que a formulação "qual é melhor" falha.

O projeto de lei sobre o serviço que ninguém coloca na manchete

Relata-se que o Agora 2 usa cerca de quatro GPUs RTX PRO 4500 para atender uma sessão de quatro jogadores, com treinamento e serviço no AWS Trainium. Esse é um número real e é o tipo de número que determina se uma prévia de pesquisa pode se tornar um produto. Vinte participantes em um único mundo é barato em jogadores e caro em silício, porque o estado compartilhado significa que o servidor deve ter autoridade sobre todos ao mesmo tempo.

O Genie 4 não divulgou nenhum custo de serviço. Trata-se de uma prévia de pesquisa para testadores confiáveis, seguida por assinantes do Google AI Ultra e parceiros da Gemini API com acesso antecipado. Ninguém fora do grupo de testadores sabe quanto custa produzir um minuto de mundo gerado, o que significa que ainda não é possível dizer se a demonstração impressionante sobrevive ao contato com uma tabela de preços.

Para que cada um é, na verdade, evidência

Agora 2 é evidência de que um modelo de mundo pode ser um substrato para pesquisa multiagente em vez de um truque de renderização. Se sua pergunta é "o que acontece quando muitos agentes compartilham um ambiente", ele é o único dos dois com um ambiente para compartilhar, e o fato de ser jogável em um navegador em agora.odyssey.ml o torna incomumente acessível para uma prévia de pesquisa.

Genie 4 é evidência de que o teto perceptual se moveu. Se a sua pergunta é "um mundo gerado pode ser convincente o suficiente para se planejar com base nele?", ele está à frente, e o áudio é o motivo — é a primeira vez que um modelo de mundo produziu uma cena que você poderia entregar a alguém sem se desculpar pelo silêncio.

Para equipes que constroem infraestrutura de agentes em vez de mundos, a lição prática do Agora 2 é que o custo de coordenação domina. Vinte agentes em um único mundo é um problema de roteamento antes de ser um problema de gráficos: qual modelo cuida da política de qual agente, o que acontece quando um endpoint trava, como manter baratas as chamadas de verificação de baixo custo. É nessa camada que trabalhamos — uma API para mais de 200 modelos com failover automático, para que uma execução multiagente não morra porque um provedor teve um minuto ruim — e é a camada que permanece constante qualquer que seja o modelo de mundo que vocês eventualmente adotem como padrão.

A pergunta que vale a pena fazer em outubro de 2026 não é qual destes dois é melhor. É se o modelo de mundo de que você precisa é um lugar onde outros agentes possam estar, ou uma tomada que você possa dirigir. A Odyssey construiu o primeiro. O Google construiu o segundo, e fez dele o mais bonito que qualquer um já mostrou.