Genie 4 对决 Agora 2：一个有导演的世界，还是二十个人共处一室

“最多 20 名参与者”是 Odyssey 在 2026 年 9 月 21 日推出 Agora 2 时使用的数字，而它拆解后比听起来更有意思：四名人类控制者和十六个自主智能体，共同分享同一个持久世界。五周后的 2026 年 10 月 27 日，Google DeepMind 公布的 Genie 4 押下的几乎是相反的赌注。它为一个用户提供一个极其逼真、带原生音效并支持自然语言指令的世界，却不让第二个人走进其中。这并不是同一产品的两个不同质量档次版本，而是两个恰好共用一个名词的研究计划。

区分它们的是三个问题：世界上还有谁，当没有人看着它时世界是否存在，以及它是否会发出声音。Genie 4 对第三个问题的回答比此前发布的任何东西都好，对前两个则完全没有回答。Agora 2 回答了前两个问题，对第三个几乎无话可说。

二十其实是四加十六

Odyssey 标题所宣称的是一款多人游戏，因此值得准确说明究竟连接了什么。四名人类实时操控角色。另有十六个实体是用强化学习训练出来的策略——怪物与同伴行为——它们在同一世界中行动。所以，诚实的描述是：这是一款由学习型智能体填充的四玩家游戏，其参与者数量是 Agora 1 的五倍，而且架构与单人生成式演示有着显著不同。

环境不是只有一个，而是有多个；行为在更长的时间跨度上依然成立；训练数据是《暗黑破坏神 II》的捕捉画面——一款 2000 年的等距视角动作角色扮演游戏。最后一个细节并非出于猎奇。它说明团队刻意选择了一款具有固定镜头语法和密集实体交互的游戏，而不是照片级写实开放世界，因为在这种设定中，共享状态是可测试的，视觉门槛也是可达到的。

为什么离屏状态才是难点

大多数世界模型（包括 Genie 4 在内）的运作方式都像一个极为精密的视频生成器。场景以帧的形式存在，凡是摄像机当前没有对准的内容，在摄像机转回来时都必须重新生成——这正是物体恒存性会衰减的原因，也是谷歌自家的发布材料之所以警告说：模拟运行得越久、提示词编辑越复杂，细节和物体就越会漂移。

Agora 2 的解决之道在于，它的核心并不是一个视频生成器。它运行一个权威的服务端世界状态，该状态独立于任何视角而持续存在，由学习得到的模拟模型负责处理运动，再由一套独立的渲染栈绘制每个客户端所看到的内容。当没有人注视着实体时，它们依然存在。这正是二十个参与者能够同时保持连贯的原因：他们并不是各自要求生成器去想象其他人，而是从同一个共享的真实状态中读取信息。

必须共享的那部分被刻意做得很小。仿真模型据报告约有 446 万参数、四层、宽度 256，带有十四个移动分支和一个单独的朝向头。渲染器才是大网络——一个约十亿参数的流匹配 Transformer，十六个宽度为 2,048 的块，其中五个带有因果时间注意力。粗略地说：把规则做得便宜且对所有人一致，把算力花在每个玩家看到的内容上。

Genie 4 的优势，在于你能听到的那部分

相比之下，Genie 4 的贡献看似狭窄，实则并非如此。原生音频——环境声景、音乐，以及与能在场景中作出回应的角色进行的口头对话——是本次对比中其他任何世界模型都完全不具备的能力。Odyssey 的技术报告没有声称具备音频能力。ABot-Earth、WorldClaw 和 HY-Nomas 也没有。

这对模拟而言比娱乐更重要。一个无法产生声音的具身智能体训练环境缺少了一整个输入模态；一个没有音频的预可视化工具会让音效部门从零开始、按照别人的时间安排工作。Genie 4 还能在模拟过程中用自然语言操控，而 Agora 2 不能——Odyssey 的世界由游戏机制和玩家输入支配，而不是由改变天气的提示词支配。

Genie 4 做不到的是接纳第二个控制器。没有共享状态，没有权威服务器，也没有“另一个参与者”的概念。让它运行四名玩家，你得到的只是四个恰好共享同一提示词的独立世界。

640×480 是设计选择，而非缺陷报告

Agora 2 以 640×480 渲染，评测者已注意到物体偶尔会出现模糊。很容易把这一点当作缺陷，与 Genie 4 宣称的照片级真实感相比较——只不过 Genie 4 压根没有公布任何分辨率。

这种不对称值得仔细想想。一个团队交付了一个低分辨率的世界，并公布了其局限性部分，承认持续帧率、输入到显示延迟、长时程视觉质量、跨视角一致性以及动作遵循度都没有经过定量评估。另一个团队交付的是照片级真实感的宣称、一个两分钟的一致性窗口，以及没有任何数字。当一方可衡量而另一方不可衡量时，可衡量的一方通常看起来更差，也通常更有用。

关于世界模型用途的两种不同押注

Odyssey 押注的是，有趣的问题在于社会性和多智能体。他们的表述很明确：一个共享的模拟世界，是研究多个智能体如何共同行为的更安全场所，比真实世界更安全。该公司引用了 METR 报告的一起事件——约 1,200 个智能体自我组织——作为动机依据。在这一论点下，保真度是手段，参与者数量才是关键，因为你想观察的现象——串通、协调、涌现出的角色分工——只有在足够大的规模下才会出现。

Google 正在押注，真正有趣的问题在于感知与指令。在这一论点下，一个拥有照片级真实、可听、可控世界的单一指挥者，才是有用的产物，无论这个指挥者是正在调度镜头的电影制作者，还是正在排练任务的机器人团队。Genie 4 最具说服力的演示恰好契合这一点：Gemini 4 Argon 分解了任务，而 Genie 4 为 Apptronik Apollo 人形机器人实时模拟了这些任务。一个智能体，一个世界，没有人群。

两种押注都可能是对的。但它们无法由同一个模型来满足，这正是“哪个更好”这种框架站不住脚的原因。

没人会写进标题的服务法案

据报道，Agora 2 使用约四块 RTX PRO 4500 GPU 来服务一个四名玩家的会话，训练和服务均在 AWS Trainium 上进行。这是一个真实的数字，而正是这类数字决定了一个研究预览能否成为产品。一个世界中有二十名参与者，在玩家人数上成本很低，在芯片上却成本很高，因为共享状态意味着服务器必须同时为所有人充当权威来源。

Genie 4 未披露任何服务成本。它是面向受信任测试者的研究预览版，接下来将向 Google AI Ultra 订阅者和早期访问 Gemini API 合作伙伴开放。测试者群体之外无人知道生成一分钟世界内容的生产成本，这意味着尚无人能断言，这个令人印象深刻的演示在接触价目表后是否还能经得起考验。

每一项实际上是什么的证据

Agora 2 证明，世界模型可以成为多智能体研究的基底，而不只是一种渲染技巧。如果你问的是“当许多智能体共享同一个环境时会发生什么”，那么在这两者中，它是唯一拥有可供共享环境的一个；而且它可以在浏览器中通过 agora.odyssey.ml 游玩，这一事实使它作为研究预览版格外易于访问。

Genie 4 证明感知天花板已经上移。如果你的问题是"生成的世界能否逼真到足以作为规划依据"，那它已经领先了，而音频正是原因所在——这是世界模型第一次生成出一个你可以直接交给别人、而无需为静音而道歉的场景。

对于构建智能体基础设施而非虚拟世界的团队来说，Agora 2 带来的实际教训是：协调成本占据主导。一个世界里的二十个智能体，首先是一个路由问题，其次才是图形问题：哪个模型负责哪个智能体的策略，某个端点卡住时会发生什么，如何让低成本的验证调用保持低成本。这就是我们所从事的层面——用一个 API 覆盖 200 多个模型并具备自动故障转移，这样多智能体运行不会因为某个提供商短暂出问题而中断——而且无论你最终标准化采用哪种世界模型，这个层面都保持不变。

到2026年10月，值得追问的问题不是这两者哪个更好，而是你需要的世界模型究竟是一个其他智能体能够置身其中的场所，还是一段你可以执导的镜头。Odyssey造出了前者。Google造出了后者，并让它成为迄今任何人所展示过的最好看的那一个。