World model
Un world model (modelo del mundo) es un modelo de IA que aprende cómo funciona un entorno lo bastante bien como para predecir qué pasará después, a menudo a partir de vídeo o datos de sensores, para que un agente pueda planificar o entrenarse dentro de la simulación.
Por Divya Sharma · Comprobado el 15 nov 2026 · Cómo hacemos las reseñas
El término tiene un origen preciso y un uso moderno más laxo, así que conviene saber a cuál se refiere quien lo usa.
El significado en investigación
En aprendizaje por refuerzo, un world model es un simulador aprendido. Un artículo de 2018 de Ha y Schmidhuber entrenó una red para construir una imagen comprimida del entorno de un juego y de cómo cambia con el tiempo. Después, un pequeño controlador aprendió a actuar usando esa vista comprimida, e incluso podía entrenarse dentro de la versión del juego imaginada por el propio modelo antes de pasar de nuevo al juego real. La idea es que el agente aprende de predicciones en lugar de pruebas reales costosas.
El significado actual en productos
Hoy los laboratorios usan "world model" para grandes modelos generativos que producen vídeo o escenas 3D explorables y reaccionan a acciones, orientados a la robótica, la conducción autónoma y los videojuegos. Entre los ejemplos reseñados en este sitio están NVIDIA Cosmos 3 y Genie 4 de DeepMind. Suelen entrenarse con grandes cantidades de vídeo y son un tipo de foundation model.
Un uso discutido
También se discute si los modelos de lenguaje grandes contienen un "world model" interno de los hechos que describen. Es una afirmación sobre lo que un modelo ha aprendido por dentro, no un tipo de producto, y no hay una prueba acordada para comprobarlo.
En qué se diferencia
Un modelo de text-to-video crea un clip a partir de un prompt y se detiene. Un world model está pensado para avanzar paso a paso: dado el estado actual y una acción, predice el siguiente estado, de modo que algo puede actuar dentro de él. Sus límites son los de cualquier simulador: los errores se acumulan en recorridos largos, y una política que funciona en el modelo puede no funcionar en el mundo real.
Términos relacionados
- Modelo multimodal
- Un modelo multimodal es un modelo de IA que puede recibir, y a veces producir, más de un tipo de datos, como texto, imágenes, audio o vídeo, dentro de un único modelo y no mediante sistemas separados.
- Modelo fundacional
- Un modelo fundacional (foundation model) es un modelo grande entrenado con datos amplios a gran escala que se puede adaptar a muchas tareas posteriores distintas, mediante prompts o fine-tuning, en lugar de construirse para una sola tarea.
- Text-to-video
- El text-to-video (texto a vídeo) es la tarea de generar un clip de vídeo corto a partir de un prompt escrito. Los modelos tienen que producir fotogramas que se vean bien cada uno por separado y que además se muevan de forma coherente de uno a otro.
- Modelo de lenguaje grande
- Un modelo de lenguaje grande (LLM, large language model) es una red neuronal con miles de millones de parámetros, entrenada con grandes cantidades de texto para predecir el siguiente token, lo que le permite redactar, responder preguntas, resumir y seguir instrucciones.
- Agente de IA
- Un agente de IA es un sistema en el que un modelo de lenguaje decide sus propios pasos siguientes: llama a herramientas, lee los resultados y repite hasta terminar la tarea, en lugar de seguir un guion fijo.