谷歌DeepMind发布Genie 4世界模型可生成音频并用自然语言实时改写模拟单段时长延至两分钟、Liquid AI开源LFM3六款模态模型从同一骨干微调4bit量化后仅约1GB可跑在手机、科大讯飞星火X2.6端云一体复杂智能体任务端侧完成率从12%提至41.9%——世界模型与端侧智能双线突破——一道科技解读

结论先行：2026年10月28日，模型技术沿两条路线同时突破：谷歌DeepMind发布Genie 4，世界模型首次可同时生成音频并接受自然语言实时改写，单段模拟时长从1分钟延长到约2分钟；Liquid AI开源LFM3，文本、视觉、音频、全模态、决策六款模型从同一骨干微调，4bit量化后仅约1GB、可跑在手机与树莓派上。科大讯飞星火X2.6则把端侧复杂智能体任务完成率从12%出头提到41.9%。杭州一道科技的判断是：AI能力重心正从云端大参数向可交互的世界模拟与可离线的端侧智能迁移，企业的部署架构需要同时容纳这两极。

Genie 4：可以边跑边改的世界模型

世界模型的竞争本周迎来代际更新。谷歌DeepMind发布的Genie 4给出四项主要变化：生成场景更真实、可用自然语言提示实时修改正在运行的世界、能够同时生成音频、底层由Gemini 3.8 Flash驱动仿真；单段体验时长从Genie 3的1分钟延长到约2分钟。官方定位是影视预演、游戏原型与机器人训练场景生成，先以research preview形式开放给受信任测试者。谷歌同时提示了边界：随着模拟时间变长，细节与物体恒存性会出现漂移。对制造业而言，其价值在于把物理世界的试错搬进仿真：产线排程与机器人动作可先行虚拟验证，压缩调试成本。更多动态见行业资讯。

LFM3：一个骨干，六种模态

端侧路线的代表是Liquid AI的新一代基座。LFM3首批集中在2B量级，文本、视觉、音频、全模态、决策等六款模型全部从同一个LFM3-1.7B-Base微调而来，预训练用了22T Token，采用tri-hybrid混合架构。官方称LFM3-1.7B效果超过上一代LFM2.5-2.6B而参数少35%；文本模型经4bit量化后仅约1GB，可在手机、树莓派5、M4 Max、Ryzen AI等设备上本地运行，每个模型都能在单卡上完成微调。硬件在环架构搜索的测试矩阵也从2台设备扩展到14种设备与后端组合，权重已开源。这条路线直击企业痛点：敏感数据不出端、离线可用，是数据合规要求高的制造与金融场景的现实选项。参考一道科技客户案例中的落地实践。

星火X2.6：端云一体的全国产算力答卷

国产阵营的进度集中在端云协同。科大讯飞星火X2.6采用云端大模型加4B端侧模型的端云一体架构：训练侧用长程任务动态并行、按任务长度自适应分配算力，超长上下文训练效率提升约4倍；推理侧依靠自适应存算协同与首个基于全国产设备的四层KVCache及分布式推理，整体效率提升4.5倍。端侧是破局点：复杂智能体任务完成率从行业此前的12%出头提升到41.9%，下一步目标60%，现场演示覆盖经营复盘与采购合同审核。用户可按任务难度与数据敏感度选择本地、协同或云端执行，敏感数据不出端的同时降低Token成本。刘庆峰同时坦言，国产算力与英伟达仍差近两代，瓶颈集中在显存与带宽。两则信号叠加：端侧智能的体验曲线正在抬升，但算力底座仍是需要长期补的课。

一道科技建议：按数据敏感度分层部署

第一，把任务按数据敏感度分三层：公开信息走云端旗舰模型，内部运营数据走端云协同，核心工艺与财务数据走纯端侧，用一套路由策略统一管理。第二，先用世界模型做产线仿真，把排产与机器人动作的试错成本前移到虚拟环境。第三，端侧选型盯住量化后的真实体积，1GB级模型加单卡微调能力，才适合在工厂现有设备上落地。AI大模型定制、数据挖掘与软件外包需一体交付。