Genie 4 vs CARI4D: один генерирует мир, другой решает видео

Единственное, что Genie 4 и CARI4D надежно объединяет, — это ярлык. Genie 4, представленная Google DeepMind 27 октября 2026 года, — это генеративная модель мира: вы описываете сцену, управляете ею на естественном языке, и она создает видео с синхронизированным звуком длительностью в пару минут. CARI4D — метод реконструкции от NVIDIA Research, представленный на CVPR 2026, — работает в обратном направлении. Он берет монокулярное видео, где человек манипулирует объектом, и возвращает позу этого человека, траекторию объекта с шестью степенями свободы и две оценки контакта рук для каждого кадра. Один создает правдоподобный мир. Другой измеряет реальный. Поставьте их рядом, и полезный вопрос перестает быть вопросом «что лучше» и становится вопросом «в какую сторону направлена моя задача».

Путаница понятна, ведь оба продукта относят к категории «4D», и оба создают нечто движущееся во времени. Но генератор и метод реконструкции — не конкурирующие реализации одной и той же задачи; они ошибаются в противоположных направлениях, и покупают их разные люди. Genie 4 может выдумать правдоподобную улицу, которой никогда не существовало, но не может сказать, где в ней на самом деле находится что-либо. CARI4D может с точностью до кадра сказать, как рука сомкнулась вокруг чайника, но не может выдумать чайник, которого не видел. Ниже две модели различаются тем, что они принимают на вход, что возвращают и чего каждая из них структурно не может делать.

Что возвращает Genie 4: сессию, а не файл сцены

Первое, что нужно понять о Genie 4, — его вывод потребляется в реальном времени и не сохраняется по завершении сеанса как геометрия. Само описание Google — это мир, который вы приводите в движение и направляете: перемещайте камеру, меняйте погоду, добавляйте персонажа, и модель Gemini адаптирует инструкцию к тому, что уже есть на экране. Кадры генерируются авторегрессионно, поэтому согласованность измеряется секундами и минутами, а не сложностью сцены.

Именно эти новшества по сравнению с Genie 3 попали во все заголовки. Аудио генерируется нативно — фоновый звук, музыка и интерактивный диалог — а не накладывается поверх постфактум. Управление происходит в реальном времени, а не через промпт, который перезапускает мир. И окно когерентности, по сообщениям, составляет примерно две минуты — вдвое больше, чем у предшественника, — хотя в блоге Google говорится лишь о «коротких сессиях», а цифра в две минуты взята из брифингов запуска.

То, чего нет, имеет не меньшее значение. Нет ни экспорта сетки, ни графа сцены, ни трека камеры, ни буфера глубины, ни способа перенести сгенерированный мир в Blender, Unity или Unreal. Студия, которая хочет сделать блокинг кадра, может смотреть, как это делает Genie 4, но не может передать результат в производственный пайплайн. Также не публикуются разрешение, частота кадров, размер модели, бенчмарк или цена, а доступ представляет собой ограниченный пул доверенных тестировщиков с публичным листом ожидания — подписчикам AI Ultra через Project Genie и партнёрам раннего доступа Gemini API обещают «скоро», без даты.

Google всё же называет режимы отказа, и это больше, чем делают большинство публикаций о запуске: детализация и постоянство объектов дрейфуют на протяжении более длительных сессий и после повторных правок, пространственная точность неидеальна, текст внутри мира часто нечитаем, а точность звука не решена. Весь вывод несёт водяной знак SynthID. Для инструмента предварительной визуализации эти ограничения приемлемы. Для всего, что требует измерений, они дисквалифицируют.

Что возвращает CARI4D: позы, траектории и контакт

CARI4D — это конвейер, а не единая сеть, и его выход намеренно узкий. По монокулярному RGB-видео он восстанавливает человека с помощью параметрической модели тела, реконструирует сетку манипулируемого объекта по первому кадру, размещает оба в метрическом масштабе и отслеживает их на протяжении последовательности. Обучаемый компонент, выполняющий коррекцию, — это CoCoNet, трансформер рендеринга и сравнения, который принимает текущую оценку, рендерит её в RGB, глубину и маски и регрессирует покадровые поправки позы плюс один логит контакта на каждую руку.

Зависимости явно указаны в репозитории: UniDepth — для метрической глубины, NLF — для позы человека, Hunyuan3D — для меша объекта, FoundationPose — для поиска и отслеживания позы, CoCoNet — для этапа коррекции. Это важно при планировании бюджета развёртывания, поскольку каждый из них представляет собой отдельный чекпоинт со своей лицензией и своим профилем оборудования.

CARI4D выпускается в двух формах. Исследовательский чекпойнт, nvidia/CARI4D, помечен как предназначенный только для исследований и разработок и содержит ссылку на статью arXiv 2512.11988, опубликованную 12 декабря 2025 года. Коммерческий вариант, cari4d_commercial, охватывает Momentum Human Rig от NVIDIA и регулируется NVIDIA Open Model Agreement. Ни один из них не развёрнут ни одним провайдером инференса на Hugging Face, поэтому «доступный» означает веса плюс установку Docker плюс GPU NVIDIA, а не эндпоинт. В публичной таблице лидеров нет строки, и независимого воспроизведения нет; числовые доказательства — это собственные абляционные эксперименты статьи CVPR на BEHAVE, то есть исследование, проведённое производителем.

Сравнение, измерение за измерением

• Ввод — Genie 4 принимает текстовое описание вместе с инструкциями по управлению в реальном времени; CARI4D принимает уже существующее монокулярное RGB-видео.

• Вывод — Genie 4 возвращает сгенерированные видео- и аудиоданные, передаваемые потоком в рамках сеанса; CARI4D возвращает покадровые позу и форму человека, поворот и смещение объектов, а также логиты контакта рук.

• Привязка к реальности — Genie 4 правдоподобен, но не привязан к реальности; ничто в выходных данных не соответствует измеренной координате. CARI4D является метрическим: он восстанавливает масштаб посредством оценки глубины и поиска позы относительно наблюдаемых кадров.

• Устойчивость — мир Genie 4 заканчивается вместе с сессией и не может быть экспортирован. Выходные данные CARI4D — это структура данных, которую можно сохранить, повторно отрендерить и сравнить.

• Аудио — Genie 4 генерирует его, включая диалоги; у CARI4D его нет, и он не моделирует звук.

• Доступ — Genie 4 предоставляется только по приглашению, цена не указана; CARI4D — это доступные для скачивания веса с исследовательской лицензией и коммерческий вариант в рамках соглашения NVIDIA.

• Доказательства — у Genie 4 есть демо и заявления производителя, но нет опубликованного бенчмарка; у CARI4D есть рецензируемая статья, абляции, проведённые производителем, и отсутствует воспроизведение третьими сторонами.

Пересечение, которое существует, и то, которого нет

Заманчивая схема — использовать CARI4D для реконструкции реального взаимодействия, а затем Genie 4, чтобы вообразить его вариации. На бумаге передача выглядит естественно: CARI4D создаёт метрически привязанную сцену взаимодействия человека с объектом, а Genie 4 выдаёт альтернативные исходы. На практике между ними нет интерфейса. Genie 4 принимает текст и управляющий ввод, а не реконструированную сцену, сетку или траекторию позы. Ни одна публикация ни одной из команд не описывает подачу одного в другой, и то, что оба результата на скриншоте выглядят трёхмерными, не делает их форматы совместимыми.

Существующее пересечение уже́, но полезнее: обе системы — инструменты для рассуждения о том, что произойдёт дальше в физической сцене. CARI4D даёт наблюдаемую динамику — контакт, захват, траекторию — а это именно тот сигнал, который нужен конвейеру обучения роботов для разметки демонстраций. Genie 4 даёт контрфактические сценарии — то, что нужно политике, чтобы репетировать ситуации, которых нет в записях. Лаборатория, создающая данные для воплощённого интеллекта, вполне могла бы использовать обе модели — на разных сторонах одного и того же набора данных, — причём эти модели могли бы вообще не взаимодействовать друг с другом.

Типы ошибок тоже зеркальны. Genie 4 может красиво отрисовать неправильный объект и за две минуты уйти от него в сторону. CARI4D может точно отслеживать плохо смоделированный объект на протяжении всего видео и всё равно выдать вам посредственный меш, потому что его метрики касаются позы и контакта, а не точности поверхности. Ни одна из моделей не устраняет слабость другой.

Что вы действительно можете запустить на этой неделе

CARI4D — это тот вариант, у которого есть путь к практическому запуску. Веса модели опубликованы, Docker-образ существует, а GPU класса A100 — документированная целевая платформа. Это всё ещё исследовательский конвейер: нужно прочитать статью и собрать несколько внешних контрольных точек, но команда с нужным оборудованием может запустить его уже на этой неделе. Genie 4 — это тот вариант, где есть лист ожидания.

Стоит сказать прямо о нашем собственном каталоге: OrcaRouter не хостит ни одну из этих моделей. CARI4D — это исследовательский конвейер реконструкции без хостингового эндпоинта где бы то ни было, а у Genie 4 нет публичного API для маршрутизации. А маршрутизируем мы часть слоя рассуждений, который Google построил вокруг Genie 4 — Gemini 3.8 Flash, модель, которая отслеживает сгенерированные кадры и перестраивает план, и Gemini Robotics ER 1.6 preview — через один API для более чем 200 моделей, с прайс-листовыми ценами провайдеров, передаваемыми с наценкой 0%, и автоматическим переключением между провайдерами при сбоях. Если ваша реальная задача — задавать вопросы о видео, а не реконструировать его или генерировать, то хостинговая мультимодальная модель — более дешёвый ответ, и для неё не требуется приглашение.

Для всех остальных выбор сводится к одной фразе на каждый вариант. Если видео уже существует и вам нужно узнать, что сделали человек и объект, CARI4D — единственный из двух, кто отвечает на этот вопрос. Если мира ещё нет и вам нужно увидеть его в движении, Genie 4 — единственный, кто вам это покажет — как только кто-нибудь вас впустит.