Genie 4 對決 Agora 2：一個有導演的世界，還是二十個人同處一室

「最多 20 名參與者」是 Odyssey 於 2026 年 9 月 21 日推出 Agora 2 時所採用的數字，而它拆解開來，比聽起來更有意思：四名人類控制者與十六個自主代理，全都共享同一個持續存在的世界。五週後、2026 年 10 月 27 日由 Google DeepMind 發表的 Genie 4，則押下幾乎相反的賭注。它為單一使用者提供一個極具說服力、具備原生聲音與自然語言指令的世界，而且不讓第二個人走進去。這兩者並不是同一產品不同品質層級的兩個版本。它們是兩個恰好共用一個名詞的研究計畫。

區分它們的三個問題是：世界上還有誰、當沒有人看著世界時世界是否存在，以及它是否會發出聲音。Genie 4 對第三個問題的回答比以往出貨的任何東西都更好，對前兩個問題則完全沒有回答。Agora 2 回答了前兩個問題，對第三個問題卻幾乎沒什麼可說。

二十其實是四加十六

Odyssey 的標題主打的是多人連線，而值得精確說明的是：究竟什麼真正連上了。四名人類玩家即時操控角色。另外還有十六個實體，是以強化學習訓練出來的策略——怪物與同伴的行為——它們在同一個世界裡行動。因此，誠實的描述是：這是一款由學習型代理所填充的四人遊戲，參與者數量是 Agora 1 的五倍，而且其架構與單人生成式展示有實質上的不同。

環境不只一個，而是多個；行為能在更長的時間跨度中維持；訓練資料是《暗黑破壞神 II》的擷取畫面——一款 2000 年的等角動作角色扮演遊戲。最後這個細節並非奇聞軼事。它告訴你，團隊刻意選擇一款具有固定攝影機語法與密集實體互動的遊戲，而不是逼真的開放世界，因為在這種設定中，共享狀態是可測試的，視覺標準也是可達成的。

為什麼螢幕外狀態才是困難的部分

大多數世界模型（包括 Genie 4）的運作方式就像一部極為精密的影片生成器。場景以影格的形式存在，凡是在相機當下沒有對準的地方，等到鏡頭轉回來時都必須重新生成——這正是物體恆存性之所以會退化的原因，也是為什麼 Google 自家的發布資料會警告：模擬執行得越久、提示詞編輯得越複雜，細節與物體就會偏離得越多。

Agora 2 的解決方式，是它本質上並不是影片生成器。它運行一個具權威性的伺服器端世界狀態，該狀態獨立於任何視角持續存在，並由學習式模擬模型處理移動，再由獨立的渲染堆疊繪製每個用戶端所見的內容。實體在無人注視時仍持續存在。這就是為什麼二十名參與者能同時保持一致：他們並非各自要求生成器想像其他人，而是讀取同一份共享真相。

必須共享的部分在工程設計上刻意保持精簡。據報導，模擬模型約有 446 萬個參數、四層、寬度 256，並有十四個移動分支和一個獨立的朝向頭。渲染器則是大網路——一個約十億參數的流匹配 transformer，十六個區塊、寬度 2,048，其中五個帶有因果時間注意力。粗略地說：讓規則便宜且對所有人一致，把算力花在每位玩家看到的內容上。

Genie 4 的優勢在於你聽到的部分

相比之下，Genie 4 的貢獻看似有限，實則不然。原生音訊——環境音景、音樂，以及能與場景中角色互動回應的口語對話——是這份比較中其他世界模型完全無法提供的。Odyssey 的技術報告並未聲稱具備音訊功能。ABot-Earth、WorldClaw 和 HY-Nomas 也沒有。

這件事對模擬而言比對娛樂更為重要。對具身代理來說，一個無法發出聲音的訓練環境，等於少了一整種輸入模態；而一套沒有音訊的預視覺化工具，則會讓聲音部門只能從零開始，配合別人的時間安排來作業。Genie 4 還能在模擬進行中以自然語言操控，Agora 2 則不能——Odyssey 的世界是由遊戲機制和玩家輸入所主導，而不是由一句能改變天氣的提示詞來決定。

Genie 4 做不到的是接納第二個控制器。它沒有共享狀態、沒有權威伺服器，也沒有另一位參與者的概念。要它執行四名玩家，你只會得到四個恰好共用同一個提示詞的獨立世界。

640×480 是設計選擇，而非錯誤回報

Agora 2 以 640×480 進行渲染，評論者已注意到物件偶爾會出現模糊。相較於 Genie 4 所宣稱的相片級真實感，這很容易被列為一項缺陷——只不過 Genie 4 根本沒有公布任何解析度。

這種不對稱值得細想。有一個團隊推出低解析度的世界，並公開其限制說明章節，承認持續幀率、輸入到顯示延遲、長時程視覺品質、跨視角一致性與動作遵循度並未經過定量評估。另一個團隊則提出照片寫實的宣稱、兩分鐘的連貫性窗口，以及沒有任何數據。當一方可被衡量，而另一方不能時，可衡量的那一方通常看起來較差，卻通常更有用。

關於世界模型用途的兩種不同押注

Odyssey 押注於有趣的問題是社會性與多智能體的。他們的論述框架很明確：共享的模擬世界比真實世界更安全，適合用來研究許多智能體共同行為的方式。該公司引用了一起由 METR 報告的事件作為動機，其中大約 1,200 個智能體自我組織起來。在這個論點下，保真度是手段，參與者數量才是重點，因為你想觀察的現象——串謀、協調、湧現的角色分工——只會在大規模下出現。

Google 押注真正有趣的問題在於感知與指令。在這個論點下，無論指揮者是正在安排鏡頭的電影導演，還是正在排練任務的機器人團隊，一個能掌控逼真、可聽、可操控世界的單一指揮者，就是有用的成果。Genie 4 最能說明問題的示範完全符合這一點：Gemini 4 Argon 拆解任務，並由 Genie 4 為 Apptronik Apollo 人形機器人即時模擬。單一代理、單一世界，無需群眾。

這兩種押注都可能是對的。它們無法由單一模型同時滿足，這就是為什麼「哪個更好」這種框架會失效。

沒人放進頭條的服務法案

據報導，Agora 2 使用約四張 RTX PRO 4500 GPU 來服務一場四人遊玩工作階段，並在 AWS Trainium 上進行訓練與提供服務。這是一個真實的數字，而這類數字決定了研究預覽能否成為產品。同一個世界中有二十名參與者，以玩家人數來說成本很低，以矽晶片資源來說卻很昂貴，因為共享狀態意味著伺服器必須同時對所有人具權威性。

Genie 4 並未揭露任何服務成本。它是提供給受信任測試者的研究預覽版，接下來將開放給 Google AI Ultra 訂閱者與早期存取 Gemini API 的合作夥伴。測試者群體之外，沒有人知道製作一分鐘的生成世界內容要花多少成本，這意味著目前還沒有人能斷言，這個令人驚豔的示範在碰上價目表後是否仍站得住腳。

每一項實際上究竟能作為什麼的證據

Agora 2 證明世界模型可以作為多智能體研究的基底，而不只是渲染技巧。如果你的問題是「當許多智能體共享同一個環境時會發生什麼事」，它是兩者中唯一擁有可共享環境的系統；而且它能在瀏覽器中於 agora.odyssey.ml 遊玩，這使它作為研究預覽異常易於取用。

Genie 4 證明感知上限已經被推高。如果你的問題是「生成的世界是否足夠可信，足以作為規劃依據」，那麼它領先，而音訊正是原因——這是世界模型第一次產出一個你能交給別人、而不必為其沉默道歉的場景。

對於打造代理基礎設施、而非打造世界的團隊而言，Agora 2 帶來的實務教訓是：協調成本才是主導因素。一個世界裡有二十個代理，這首先是路由問題，其次才是圖形問題：哪個模型負責哪個代理的策略、某個端點停滯時會發生什麼、如何讓低廉的驗證呼叫維持低廉。那正是我們所從事的層級——一套 API 橫跨 200 多個模型，並具備自動容錯移轉，讓多代理執行不會因為某個供應商短暫出狀況而中斷——而且無論你最終標準化採用哪個世界模型，這個層級都保持不變。

2026 年 10 月值得問的問題，不是這兩者哪個更好。而是你需要的世界模型，是其他代理能站進去的地方，還是你能導演的一顆鏡頭。Odyssey 打造了前者。Google 打造了後者，並讓它成為目前任何人展示過最好看的一個。