Google Genie 4 发布:实时世界模型与工具检索解析
Google 正式在 Gemini API 上线 Genie 4(models/genie-4)实时交互世界模型(约$0.10/秒),同步推出 Tool Retrieval 工具按需加载,大幅降低 MCP 上下文开销。
目录 · 7 节
Google Genie 4 深度解读:实时交互世界模型定价与 Tool Retrieval 按需加载解析
2026 年 11 月 19 日(美东时间),Google 在 Google AI Studio Release Notes 一次性放出两项颇具工程含金量的正式与预览更新:交互式世界模型 Genie 4(models/genie-4)正式全面可用(GA),以及面向 Agent 与 MCP 开发者的 Tool Retrieval(工具按需检索)公开预览。
这两项更新均落地在 Google 新一代统一状态接口 Interactions API(v1beta) 上:前者把过去停留在研究演示里的“实时可操控世界模型”变成了按 Token 计费的生产级 WebRTC/WebSocket 流媒体接口;后者则直击当前编码与企业 Agent 挂载几十个 MCP 工具导致提示词膨胀的痛点。
一、Genie 4(models/genie-4)核心规格与实时操控机制
不同于常规“输入提示词、等待几十秒输出一段 MP4”的异步视频生成模型,Google AI Studio 官方文档 将 Genie 4 定义为实时交互式世界生成模型(Real-time Interactive World Generation):
- 传输协议与流媒体规格:通过 Interactions API(
v1beta)建立 WebRTC 或 WebSockets 实时会话,持续输出24 fps、16:9画面,并同步伴随48 kHz立体声音频; - 世界初始化(Seeding):支持纯文本描述、单张
16:9参考图,或“文本 + 参考图”联合初始化一个可探索的虚拟世界; - 实时交互控制:会话进行中,客户端可直接发送
WASD/ 方向键操控指令以及会话中文本事件(Mid-session text events)实时改变环境状态或镜头运动。
在开发者最关心的计费模式上,Genie 4 不提供免费层(Free Tier),仅在 Gemini API 付费层开放,采用多模态分离计费(以官方最新公布为准)Google AI Studio Release Notes:
| 计费维度 | 官方单价(每百万 Tokens) | 折算参考 |
|---|---|---|
| 文本/图像输入 | $1.50 |
含初始化提示词、参考图与实时操控事件 |
| 文本输出 | $9.00 |
辅助状态文本输出 |
| 视频输出(含立体声) | $17.50 |
约 $0.10 / 秒(已包含同步 48 kHz 立体声音频) |
按每秒约 $0.10 折算,连续流式交互 1 分钟的成本约 $6.00,远高于常规文本对话,但显著低于传统云渲染 GPU 独占实例的按小时包机门槛——对于游戏原型验证、具身智能仿真(配合此前的 Gemini Robotics ER 2)以及交互式教学演示而言,首次具备了按秒按需拉起的可行性 [内链:Gemini Robotics ER 2 与具身智能接口解析]。
二、Tool Retrieval(Preview):终结 MCP“工具列表爆炸”
如果说 Genie 4 面向的是多模态交互前沿,那么同日上线的 Tool Retrieval(工具检索,Preview) 则是每一位 Agent 工程师明天就能用上的降本利器。
在生产级 Agent 与远程 MCP Server 场景中,开发者常常需要给模型挂接 30 到 100 个工具。传统做法把所有工具的完整 JSON Schema 塞进每次请求的 tools 字段,动辄吃掉上万输入 Token,不仅浪费费用,还会分散模型注意力。
Google 在 Interactions API 中给出的原生解法非常干净 Google AI Studio Release Notes:
- 延迟加载标记:在工具定义上设置
defer_loading: true,通知 API 先不把该工具的完整 Schema 注入初始上下文(远程 MCP Server 同样支持defer_loading); - 启用检索器:在工具列表中加入
{"type": "tool_search"},让 Gemini 模型在需要时自主搜索并按需拉取相关函数 Schema; - 支持自定义客户端检索:如果企业有自研的向量工具库或权限过滤网关,可设置
execution: "client"接管检索逻辑,返回过滤后的工具子集。
兼容性范围:Tool Retrieval 支持 Gemini 3.6 及以上全部模型(包含最新的 Gemini 4 Neon、Carbon、Argon、Hydrogen),但目前仅限在 Interactions API 中调用,传统 generateContent 暂不支持 [内链:Gemini 4 Neon 定价与 Office 文档切片指南]。
三、技术与商业意义:Google 正在把 Interactions API 打造成 Agent 运行时底座
把最近两周 Google 的更新串起来看,Interactions API 的战略意图已经非常清晰:
- 10 月 30 日:
Computer Use在 Interactions 与 GenerateContent 全面可用; - 11 月 11 日:发布零输出 Token 的分类路由接口
Decisions API; - 11 月 18 日:上线
Gemini 4 Neon与 Office 文档切片(只读需要的 Sheet 与页码); - 11 月 19 日:上线
Genie 4实时流式世界生成与Tool Retrieval按需工具加载。
Google 正在系统性地解决 Agent 落地的两个成本黑洞:输入端靠“文档切片 + Tool Retrieval”做减法,输出端靠“Decisions API + 分级思考(low/medium/high/xhigh)”控冗余。相比 Anthropic 同日在 Claude Code 本地 CLI 推出的 Code Mode(让模型写 JS 串联工具),Google 选择直接在云端 API 协议层提供原生按需检索,两者思路殊途同归,都是为了把臃肿的静态上下文压下来 [内链:Claude Code Code Mode 实战教程]。
四、局限与待观察问题
- Genie 4 尚无公开第三方延迟与物理一致性基准:官方暂未公布跨地域 WebRTC 端到端操控延迟(如国内网络访问海外节点的抖动表现),也未说明最长单次会话时长上限;
- Tool Retrieval 仍处 Preview 阶段:
tool_search在工具命名模糊或跨多步组合调用时的召回准确率,仍需开发者在自有业务评测集上实测验证,且仅限 Interactions API 使用; - 高并发成本控制:Genie 4 约
$0.10/秒的输出成本意味着一旦面向 C 端开放,必须做好单用户会话时长限额与空闲断连机制,否则账单极易失控。
常见问题(FAQ)
Q1:Genie 4 可以通过传统的 generateContent 接口调用吗?
不可以。models/genie-4 仅通过 Interactions API(v1beta)提供,依赖 WebRTC 或 WebSockets 实现实时视频流输出与 WASD 交互控制。
Q2:Genie 4 的收费标准是多少?有免费额度吗?
没有免费层。官方付费层定价为输入 $1.50 / 1M tokens、文本输出 $9.00 / 1M tokens、视频输出 $17.50 / 1M tokens(含 48 kHz 立体声音频,约 $0.10/秒),具体以官方最新公布为准。
Q3:Tool Retrieval 支持哪些模型和协议?
支持 Gemini 3.6 及更新模型(含全部 Gemini 4 系列),支持在远程 MCP Server 配置中启用 defer_loading: true。
Q4:如果在自建网关里想控制用户能搜到哪些工具,Tool Retrieval 支持吗?
支持。在配置 tool_search 时指定 execution: "client",即可在客户端/服务端拦截检索请求并运行自定义的权限过滤与检索逻辑。
参考来源
转载请注明出处:界智通 · https://www.jieagi.com/aizixun/716.html
暂无评论