World model
Un world model (modèle du monde) est un modèle d'IA qui apprend assez bien le fonctionnement d'un environnement pour prédire ce qui va se passer ensuite, souvent à partir de vidéos ou de données de capteurs, afin qu'un agent puisse planifier ou s'entraîner dans la simulation.
Par Divya Sharma · Vérifié le 15 nov. 2026 · Notre méthode
Le terme a une origine précise et un usage moderne plus large : il est donc utile de savoir lequel la personne qui l'emploie a en tête.
Le sens en recherche
En apprentissage par renforcement, un world model est un simulateur appris. Un article de 2018 de Ha et Schmidhuber a entraîné un réseau à construire une représentation compressée d'un environnement de jeu et de son évolution dans le temps. Un petit contrôleur a ensuite appris à agir à partir de cette vue compressée, et il pouvait même être entraîné dans la version du jeu imaginée par le modèle avant d'être replacé dans le vrai jeu. L'intérêt est que l'agent apprend à partir de prédictions plutôt que d'essais réels coûteux.
Le sens actuel dans les produits
Les laboratoires emploient désormais « world model » pour de grands modèles génératifs qui produisent des vidéos ou des scènes 3D explorables et réagissent aux actions, destinés à la robotique, à la conduite autonome et aux jeux. Parmi les exemples testés sur ce site figurent NVIDIA Cosmos 3 et Genie 4 de DeepMind. Ils sont généralement entraînés sur de grandes quantités de vidéo et sont un type de modèle de fondation.
Un usage contesté
On débat aussi de la question de savoir si les grands modèles de langage contiennent un « world model » interne des faits qu'ils décrivent. C'est une affirmation sur ce qu'un modèle a appris en interne, pas un type de produit, et il n'existe pas de test reconnu pour la vérifier.
Ce qui le distingue
Un modèle de text-to-video produit un clip à partir d'un prompt et s'arrête. Un world model est conçu pour avancer pas à pas : à partir de l'état actuel et d'une action, il prédit l'état suivant, si bien que quelque chose peut agir à l'intérieur. Ses limites sont celles de tout simulateur : les erreurs s'accumulent sur de longues simulations, et une politique qui fonctionne dans le modèle peut ne pas fonctionner dans le monde réel.
Termes liés
- Modèle multimodal
- Un modèle multimodal est un modèle d'IA capable de recevoir, et parfois de produire, plusieurs types de données, comme du texte, des images, de l'audio ou de la vidéo, au sein d'un seul modèle plutôt que par des systèmes séparés.
- Modèle de fondation
- Un modèle de fondation (foundation model) est un grand modèle entraîné à grande échelle sur des données variées, qui peut être adapté à de nombreuses tâches en aval, par prompting ou par fine-tuning, au lieu d'être conçu pour une seule tâche.
- Text-to-video
- Le text-to-video (texte vers vidéo) consiste à générer un court clip vidéo à partir d'un prompt écrit. Les modèles doivent produire des images qui paraissent correctes une à une et qui s'enchaînent aussi de façon cohérente d'une image à la suivante.
- Grand modèle de langage
- Un grand modèle de langage (LLM, large language model) est un réseau de neurones doté de milliards de paramètres, entraîné sur de grandes quantités de texte à prédire le token suivant, ce qui lui permet d'écrire, de répondre à des questions, de résumer et de suivre des instructions.
- Agent IA
- Un agent IA est un système dans lequel un modèle de langage décide lui-même de ses prochaines étapes : il appelle des outils, lit les résultats et recommence jusqu'à ce que la tâche soit terminée, au lieu de suivre un script fixe.