Genie 4 vs Agora 2: En värld med en regissör, eller tjugo personer i samma rum

”Upp till 20 deltagare” är det antal Odyssey använde när de lanserade Agora 2 den 21 september 2026, och det delar upp sig i något mer intressant än det låter: fyra mänskliga kontrollanter och sexton autonoma agenter, som alla delar en och samma beständiga värld. Genie 4, som Google DeepMind annonserade fem veckor senare, den 27 oktober 2026, satsar på nästan motsatsen. Det ger en enda användare en synnerligen övertygande värld med inbyggt ljud och styrning på naturligt språk, och det låter inte en andra person kliva in i den. Det här är inte två versioner av samma produkt på olika kvalitetsnivåer. De är två forskningsprogram som råkar dela ett substantiv.

De tre frågor som skiljer dem åt är: vem annars som finns i världen, huruvida världen existerar när ingen tittar på den, och huruvida den avger ett ljud. Genie 4 besvarar den tredje bättre än något som levererats före den och de två första inte alls. Agora 2 besvarar de två första och har nästan inget att säga om den tredje.

Tjugo är faktiskt fyra plus sexton

Odysseys rubrik är ett påstående om flerspelarläge, och det är värt att vara precis om vad som faktiskt är sammankopplat. Fyra människor styr karaktärer i realtid. Sexton ytterligare entiteter är policyer tränade med förstärkningsinlärning – monster- och följeslagarbeteenden – som agerar i samma värld. Så den ärliga beskrivningen är ett fyrspelarspel befolkat av inlärda agenter, vilket är fem gånger deltagarantalet i Agora 1 och en väsentligt annorlunda arkitektur än en generativ enspelardemo.

Miljöerna är flera snarare än en, beteendet håller över längre tidshorisonter, och träningsdatan består av inspelningar av Diablo II – ett isometriskt action-RPG från 2000. Den sista detaljen är inte en kuriositet. Den visar att teamet medvetet valde ett spel med en fast kameragrammatik och tät entitetsinteraktion framför en fotorealistisk öppen värld, eftersom det är den miljö där delat tillstånd är testbart och där den visuella ribban är uppnåelig.

Varför offscreen-tillstånd är den svåra delen

De flesta världsmodeller, inklusive Genie 4, fungerar som en mycket sofistikerad videogenerator. Scenen existerar som bildrutor, och allt som kameran inte för närvarande är riktad mot måste genereras om när kameran återvänder — vilket är anledningen till att objektpermanensen försämras, och till att Googles eget lanseringsmaterial varnar för att detaljer och objekt förskjuts ju längre en simulering körs och ju mer komplexa ändringarna av prompten blir.

Agora 2 löser detta genom att inte i grunden vara en videogenerator. Det kör ett auktoritativt världstillstånd på serversidan som består oberoende av varje betraktarperspektiv, med en inlärd simuleringsmodell som hanterar rörelse och en separat renderingsstack som ritar det varje klient ser. Entiteter fortsätter att existera när ingen tittar på dem. Det är därför tjugo deltagare kan vara samstämmiga samtidigt: de ber inte var och en en generator att föreställa sig de andra, de läser från en gemensam sanning.

Konstruktionen är medvetet liten i den del som måste delas. Simuleringsmodellen uppges ha ungefär 4,46 miljoner parametrar, fyra lager, bredd 256, med fjorton rörelsegrenar och ett separat riktningshuvud. Renderaren är det stora nätverket – en flow-matching-transformator på omkring en miljard parametrar, sexton block med bredd 2 048, varav fem bär kausal temporal uppmärksamhet. Uttryckt grovt: gör reglerna billiga och identiska för alla, lägg beräkningskraften på det varje spelare ser.

Genie 4:s fördel är den del du hör

Mot den bakgrunden ser Genie 4:s bidrag smala ut, men det är de inte. Inbyggt ljud – omgivande ljudlandskap, musik och talad dialog med karaktärer som svarar i scenen – är något som ingen annan världsmodell i den här jämförelsen erbjuder alls. Odysseys tekniska rapport gör inget ljudpåstående. Det gör inte heller ABot-Earth, WorldClaw eller HY-Nomas.

Det spelar större roll för simulering än för underhållning. En träningsmiljö för en förkroppsligad agent som inte kan ge ifrån sig ljud saknar en hel indatamodalitet; ett förvisualiseringsverktyg utan ljud lämnar ljudavdelningen att arbeta från noll mot någon annans tajming. Genie 4 styrs dessutom med naturligt språk mitt under simuleringen, vilket Agora 2 inte gör — Odysseys värld styrs av spelmekanik och spelarinmatning, inte av en prompt som ändrar vädret.

Det Genie 4 inte kan göra är att acceptera en andra handkontroll. Det finns inget delat tillstånd, ingen auktoritativ server, inget begrepp om en annan deltagare. Ber man den att köra fyra spelare får man fyra oberoende världar som råkar dela en prompt.

640×480 är ett designval, inte en buggrapport

Agora 2 renderar i 640×480, och granskare har noterat tillfällig oskärpa på objekt. Det skulle vara lätt att registrera det som en brist i jämförelse med Genie 4:s påstådda fotorealism – förutom att Genie 4 inte har publicerat någon upplösning alls.

Den asymmetrin är värd att stanna upp vid. Det ena teamet levererade en lågupplöst värld och publicerade sitt avsnitt om begränsningar, där de medgav att hållbar bildfrekvens, latens från inmatning till display, visuell kvalitet över långa tidshorisonter, överensstämmelse mellan vyer och åtgärdsefterlevnad inte hade utvärderats kvantitativt. Det andra levererade ett fotorealistiskt påstående, ett två minuters koherensefönster och inga siffror. När ena sidan är mätbar och den andra inte, ser den mätbara sidan vanligtvis sämre ut och är vanligtvis mer användbar.

Två olika vadslagningar om vad världsmodeller är till för

Odyssey satsar på att de intressanta problemen är sociala och multiagentbaserade. Deras ramverk är explicit: en delad simulerad värld är en säkrare arena för att studera hur många agenter beter sig tillsammans än den verkliga världen är. Företaget har som motiv anfört en incident rapporterad av METR där ungefär 1 200 agenter självorganiserade sig. Enligt den tesen är verklighetstrohet ett medel och antalet deltagare själva poängen, eftersom de fenomen man vill observera – kollusion, koordinering, framväxande rollfördelning – bara uppträder i stor skala.

Google satsar på att de intressanta problemen är perceptuella och instruktionella. Enligt den tesen är en enda regissör med en fotorealistisk, hörbar och styrbar värld den användbara artefakten, oavsett om regissören är en filmskapare som blockerar en tagning eller ett roboteam som repeterar en uppgift. Genie 4:s mest talande demo passar precis in på detta: Gemini 4 Argon delade upp uppgifter som Genie 4 simulerade i realtid för en Apptronik Apollo-humanoid. En agent, en värld, ingen publik.

Båda satsningarna kan vara korrekta. De kan inte tillgodoses av en och samma modell, och det är därför som inramningen "vilket är bättre" inte håller.

Serveringsnotan ingen sätter i rubriken

Agora 2 uppges använda ungefär fyra RTX PRO 4500-GPU:er för att betjäna en session med fyra spelare, med träning och betjäning på AWS Trainium. Det är en verklig siffra, och det är den typ av siffra som avgör om en forskningsförhandsvisning kan bli en produkt. Tjugo deltagare i en och samma värld är billigt i fråga om spelare och dyrt i fråga om kisel, eftersom delat tillstånd innebär att servern måste vara auktoritativ för alla på en gång.

Genie 4 har inte redovisat någon driftskostnad. Det är en forskningsförhandsvisning för betrodda testare, med Google AI Ultra-prenumeranter och partner med tidig åtkomst till Gemini API som nästa grupp. Ingen utanför testgruppen vet vad en minut genererad värld kostar att producera, vilket innebär att ingen ännu kan säga huruvida den imponerande demon överlever kontakten med en prislista.

Vad var och en faktiskt är bevis för

Agora 2 är ett bevis på att en världsmodell kan vara ett substrat för multiagentforskning snarare än ett renderingstrick. Om din fråga är ”vad händer när många agenter delar en miljö?” är det den enda av de två med en miljö att dela, och det faktum att den är spelbar i en webbläsare på agora.odyssey.ml gör den ovanligt tillgänglig för en forskningsförhandsvisning.

Genie 4 är beviset för att det perceptuella taket har flyttats. Om din fråga är ”kan en genererad värld vara övertygande nog att planera utifrån”, ligger den före, och ljudet är anledningen – det är första gången en världsmodell har producerat en scen som man kan räcka över till någon utan att be om ursäkt för tystnaden.

För team som bygger agentinfrastruktur snarare än världar är den praktiska lärdomen från Agora 2 att samordningskostnaden dominerar. Tjugo agenter i en värld är ett routingproblem innan det är ett grafikproblem: vilken modell som hanterar vilken agents policy, vad som händer när en endpoint stannar, hur man håller de billiga verifieringsanropen billiga. Det är lagret vi arbetar på – ett API över 200+ modeller med automatisk failover, så att en körning med flera agenter inte dör för att en leverantör hade en dålig minut – och det är lagret som förblir konstant oavsett vilken världsmodell du till slut standardiserar på.

Frågan som är värd att ställa i oktober 2026 är inte vilken av dessa två som är bättre. Det är huruvida världsmodellen du behöver är en plats där andra agenter kan befinna sig, eller en tagning du kan regissera. Odyssey byggde den första. Google byggde den andra och gjorde den till den snyggaste som någon har visat.