Les world models ne sont pas de simples générateurs de vidéo

Demandez à un générateur vidéo classique une plage au coucher du soleil : vous obtenez huit secondes qui se rejouent à l'identique à chaque lecture. Demandez la même chose à Genie 3 ou à Marble, et vous obtenez un lieu dans lequel on peut marcher, tourner la tête, revenir sur ses pas. Fei-Fei Li, la cocréatrice d'ImageNet, a dû clarifier elle-même ce que "world model" veut dire en juin 2026 : c'est devenu l'un des termes les plus galvaudés de l'IA, au point qu'un simple générateur vidéo aux flammes irréalistes peut se réclamer du même nom qu'un vrai modèle physique.

Qu'est-ce qu'un world model, au juste ?

Dans un essai publié le 3 juin 2026, Fei-Fei Li propose une grille de lecture en trois fonctions. Le rendu (renderer) produit une image ou une vidéo à partir d'une scène : c'est tout ce que font la plupart des systèmes qui se disent "world models", et Li est directe là-dessus, un système qui s'arrête à cette étape n'en est pas vraiment un. Le simulateur prédit comment l'état d'un environnement change dans le temps, avec ou sans physique explicite. Le planificateur propose des actions à partir de ces futurs prédits.

Marble, le produit de sa société World Labs, se positionne précisément à la charnière rendu/simulation : chaque génération produit à la fois un maillage haute fidélité pour l'affichage et un maillage de collision plus grossier qu'un moteur physique peut exploiter directement.

Une course qui s'est jouée en un an et demi

Genie 1 (mars 2024) générait des mondes plats en deux dimensions à partir d'une seule image. Genie 2 (décembre 2024) est passé à des environnements 3D variés. Genie 3, dévoilé le 5 août 2025, tourne en temps réel à 720p et reste cohérent plusieurs minutes, avec une fonction que DeepMind appelle les "événements de monde programmables" : on peut insérer un troupeau de cerfs en pleine génération sans repartir de zéro. L'accès public via Project Genie n'a ouvert que le 29 janvier 2026, réservé aux abonnés Google AI Ultra aux États-Unis.

World Labs a couru en parallèle. Sortie de stealth en septembre 2024 avec 230 millions de dollars levés, l'entreprise a mis Marble en disponibilité générale le 12 novembre 2025, ouvert une API développeur en janvier 2026, puis levé un milliard de dollars supplémentaire en février 2026 auprès d'Autodesk, NVIDIA et AMD. En juillet 2026, l'acquisition de la startup SceniX a orienté Marble vers l'entraînement de robots, pas seulement la production visuelle.

Au-delà du jeu vidéo : robots, voitures, agents

NVIDIA a ouvert le bal dès le 6 janvier 2025 avec Cosmos, une famille de modèles de fondation du monde publiée en licence ouverte pour entraîner des robots et des véhicules autonomes. Uber, Waabi, Figure AI, 1X et XPENG comptent parmi les premiers à l'adopter, pour générer des données synthétiques photoréalistes plutôt que de multiplier les heures de conduite ou de manipulation réelles.

Meta a pris une route différente avec V-JEPA 2, présenté le 11 juin 2025. Yann LeCun défend depuis longtemps l'idée que prédire des pixels est une mauvaise stratégie pour planifier une action : son modèle, 1,2 milliard de paramètres, prédit plutôt dans un espace de représentation abstrait plutôt que de générer des images. Résultat annoncé par Meta : une planification robotique en zero-shot sur des objets jamais vus, et un modèle jusqu'à 30 fois plus rapide que Cosmos selon leurs propres benchmarks internes.

On pourrait croire que ces familles de modèles finissent par converger vers une architecture commune. Ce n'est pourtant pas ce qui s'est passé : Genie et Marble génèrent des pixels ou des scènes qu'on peut littéralement regarder, quand V-JEPA 2 raisonne dans un espace que personne ne visualise jamais directement.

Ce qui coince encore

Une étude soumise à NeurIPS 2026 et publiée le 25 juin 2026 montre que ces modèles hallucinent d'une façon particulière : les séquences générées restent visuellement fluides tout en dérivant de la dynamique réelle de l'environnement. Les auteurs identifient trois modes de défaillance distincts, tous rattachés à des zones sous-représentées dans les données d'entraînement plutôt qu'à une limite d'architecture. Dans les modèles dédiés à la conduite autonome, cette dérive se traduit très concrètement : disparition spontanée d'objets, incohérence entre plusieurs vues d'une même scène, glissement progressif de la trajectoire.

Genie 3 lui-même ne maintient sa cohérence que quelques minutes avant de commencer à dériver. Pour l'instant, aucun des modèles cités dans cet article ne tient une session de plusieurs heures sans accroc.

Pourquoi ça compte maintenant

Le rythme donne la mesure : trois générations de Genie et deux levées de fonds majeures chez World Labs en moins de deux ans, NVIDIA et Meta qui ouvrent chacun leur propre front. Ce que Marble produit déjà (un maillage 3D persistant et exportable) recoupe directement ce qu'on utilise pour la modélisation 3D par IA au sens large.

Le guide du Lab sur quand l'IA change la modélisation 3D détaille justement comment ces mêmes outils transforment déjà le travail des artistes 3D, avec les mêmes limites de fiabilité à connaître avant de s'y fier.