World Model
Ein World Model (Weltmodell) ist ein KI-Modell, das gut genug lernt, wie eine Umgebung funktioniert, um vorherzusagen, was als Nächstes passiert, oft aus Video- oder Sensordaten, sodass ein Agent in der Simulation planen oder trainieren kann.
Von Divya Sharma · Geprüft am 15. Nov. 2026 · So testen wir
Der Begriff hat einen präzisen Ursprung und eine lockerere moderne Verwendung, daher hilft es zu wissen, welche jemand meint.
Die Bedeutung in der Forschung
Im Reinforcement Learning ist ein World Model ein gelernter Simulator. Ein Paper von Ha und Schmidhuber von 2018 trainierte ein Netz, ein komprimiertes Bild einer Spielumgebung aufzubauen und davon, wie sie sich über die Zeit ändert. Ein kleiner Controller lernte dann, anhand dieser komprimierten Sicht zu handeln, und konnte sogar in der vom Modell imaginierten Version des Spiels trainiert werden, bevor er zurück ins echte Spiel wechselte. Der Punkt ist, dass der Agent aus Vorhersagen lernt statt aus teuren echten Versuchen.
Die heutige Produktbedeutung
Labs nutzen „World Model“ heute für große generative Modelle, die begehbare Video- oder 3D-Szenen erzeugen und auf Aktionen reagieren, gedacht für Robotik, autonomes Fahren und Spiele. Beispiele, die auf dieser Site besprochen werden, sind NVIDIA Cosmos 3 und Genie 4 von DeepMind. Diese werden meist auf großen Mengen Video trainiert und sind eine Art von Foundation Model.
Eine umstrittene Verwendung
Es wird auch darüber gestritten, ob Large Language Models ein internes „Weltmodell“ der Fakten enthalten, die sie beschreiben. Das ist eine Behauptung darüber, was ein Modell innerlich gelernt hat, keine Produktart, und es gibt keinen vereinbarten Test dafür.
Der Unterschied
Ein Text-to-Video-Modell macht aus einem Prompt einen Clip und hört dann auf. Ein World Model soll schrittweise fortgeschrieben werden: Bei gegebenem aktuellem Zustand und einer Aktion sagt es den nächsten Zustand voraus, sodass etwas darin handeln kann. Seine Grenzen sind dieselben wie bei jedem Simulator: Fehler summieren sich über lange Rollouts, und eine Policy, die im Modell funktioniert, funktioniert womöglich nicht in der echten Welt.
Verwandte Begriffe
- Multimodales Modell
- Ein multimodales Modell ist ein KI-Modell, das mehr als eine Art von Daten aufnehmen und manchmal auch erzeugen kann, etwa Text, Bilder, Audio oder Video, und zwar in einem einzigen Modell statt über getrennte Systeme.
- Foundation Model
- Ein Foundation Model (Basis- oder Grundlagenmodell) ist ein großes Modell, das in großem Maßstab auf breiten Daten trainiert wurde und sich per Prompting oder Fine-Tuning an viele verschiedene nachgelagerte Aufgaben anpassen lässt, statt für eine einzige Aufgabe gebaut zu sein.
- Text-to-Video
- Text-to-Video ist die Aufgabe, aus einem geschriebenen Prompt einen kurzen Videoclip zu erzeugen. Modelle müssen Frames erzeugen, die jeder für sich stimmig aussehen und sich zudem von einem Frame zum nächsten konsistent bewegen.
- Großes Sprachmodell
- Ein großes Sprachmodell (Large Language Model, LLM) ist ein neuronales Netz mit Milliarden Parametern, das auf großen Textmengen trainiert wurde, um das nächste Token vorherzusagen, wodurch es schreiben, Fragen beantworten, zusammenfassen und Anweisungen befolgen kann.
- KI-Agent
- Ein KI-Agent (AI Agent) ist ein System, in dem ein Sprachmodell seine nächsten Schritte selbst bestimmt: Es ruft Tools auf, liest die Ergebnisse und wiederholt das, bis die Aufgabe erledigt ist, statt einem festen Skript zu folgen.