CONCEPTS — SOUS LA SURFACE · WORLD MODELS
Sources vérifiées au 20 juillet 2026.
Dix secondes de vidéo générée, c'est deux cent quarante images. Les fabriquer une par une donne un diaporama : le décor glisse, la veste change de couleur, un objet sorti du cadre n'y revient jamais tout à fait. Ce qui manque n'est pas de la résolution, c'est un lien entre les images — quelque chose qui décide que le ballon vu à la seconde trois est le même que celui de la seconde deux. Ce lien porte un nom dans les communiqués de presse : world model. Le mot est devenu si commode qu'il recouvre aujourd'hui trois choses très différentes, dont une seule mérite vraiment son nom.
Cet article ouvre la mécanique : comment la cohérence temporelle est produite et pourquoi elle n'est jamais garantie, quels ratés physiques reviennent d'après les protocoles publiés, ce que l'expression world model désigne vraiment, et ce que coûte une seconde d'image simulée. La ligne directrice tient en une phrase : ces systèmes reproduisent des régularités visuelles, ils ne connaissent aucune loi.
Trois cents images ne font pas une vidéo
Générer une image, c'est échantillonner un point dans une distribution apprise. Recommencer trois cents fois donne trois cents points indépendants, tous plausibles isolément, incompatibles entre eux. Le problème central de la vidéo générée n'est donc pas la qualité de chaque image mais la corrélation entre elles — et cette corrélation doit être fabriquée exprès.
La première génération d'architectures procédait par étapes : synthétiser quelques images-clés éloignées, puis interpoler entre elles par super-résolution temporelle. Les auteurs de Lumiere résument sans détour la faiblesse de cette approche : elle « rend intrinsèquement difficile l'obtention d'une cohérence temporelle globale ». Leur réponse génère la durée entière du plan en une seule passe, dans une architecture qui traite ensemble l'espace et le temps à plusieurs échelles. Le principe s'est imposé : la vidéo n'est plus une pile d'images, c'est un volume unique dont on débruite simultanément toutes les tranches.
C'est là que naît la permanence des objets, et là qu'il faut être précis. Le modèle ne tient aucun registre du ballon : il ne stocke pas « objet n°1, sphérique, rouge, en chute ». Il dispose d'un état latent partagé par toutes les images du bloc, et l'entraînement a rendu improbable que ce bloc contienne un ballon rouge suivi d'un ballon bleu. La permanence est un sous-produit de la corrélation, pas une contrainte imposée. Rien, dans l'architecture, n'interdit au ballon de changer de couleur : c'est seulement peu probable.
Deux façons de produire une suite d'images. En haut, chaque image est échantillonnée seule à partir du même prompt : rien ne relie l'image n à la précédente, et les objets dérivent, changent ou disparaissent. En bas, une passe unique débruite tout le bloc à partir d'un état latent partagé, avec une attention qui porte sur toute la fenêtre temporelle. La cohérence obtenue reste statistique : elle tient quelques secondes, elle cède sur la durée.
Cette distinction explique la ligne de rupture observable partout : les modèles sont excellents sur quelques secondes et se dégradent ensuite. La fenêtre d'attention temporelle est finie, comme l'est celle d'un modèle de langage — les mêmes contraintes de calcul, décrites dans nos articles sur les lois d'échelle, s'appliquent ici avec une sévérité supérieure, puisqu'une seconde de vidéo pèse le poids de vingt-quatre images.
Une physique apprise, jamais connue
Un modèle entraîné sur des millions d'heures de vidéo a vu tomber des milliers d'objets. Il a donc appris à quoi ressemble une chute. Le débat scientifique, posé sans ambiguïté par les auteurs de Physics-IQ, tient dans une question : ces modèles découvrent-ils des lois de la physique, ou ne sont-ils que des prédicteurs de pixels sophistiqués atteignant le réalisme visuel sans comprendre les principes physiques du réel ?
Le protocole est propre : on montre au modèle le début d'une scène réelle et on lui demande la suite, sur cinq secondes, dans cinq domaines — mécanique des solides, dynamique des fluides, optique, thermodynamique, magnétisme. Le corpus compte 396 vidéos réelles tournées en conditions contrôlées. Le résultat est sévère : le meilleur des modèles évalués atteint 24,1 % là où le réel définit le plafond à 100 %. Mais le constat le plus utile n'est pas ce chiffre : les auteurs relèvent que le réalisme visuel n'est pas corrélé à la compréhension physique. L'intuition d'observateur — « ça a l'air vrai, donc c'est bien simulé » — est ici mesurément fausse.
Un second protocole, PhyWorldBench, présenté à ICLR 2026, prolonge le diagnostic sur douze modèles texte-vers-vidéo et 1 050 consignes, dont une famille délibérément anti-physique. Sa conclusion tient en une ligne d'abstract : simuler fidèlement des phénomènes physiques reste un problème critique et non résolu. De son côté, VBench-2.0 apporte la distinction qui manquait au vocabulaire : la fidélité superficielle — attrait visuel, cohérence d'une image à l'autre — et la fidélité intrinsèque, qui recouvre lois physiques, exactitude anatomique et sens commun. Les modèles actuels excellent sur la première et achoppent sur la seconde.
Les ratés ne sont pas aléatoires : ils sont caractéristiques, et un œil averti les repère. La permanence des objets cède dès qu'une chose quitte le cadre. La causalité s'inverse — un verre se fend une fraction de seconde avant l'impact. La gravité devient molle, les rebonds ne perdent pas d'énergie, deux solides s'interpénètrent. Le texte à l'image reste le point de rupture le plus visible, au point que Google DeepMind précise qu'un texte lisible n'apparaît de façon fiable que s'il figurait déjà dans la description d'entrée. Enfin, les fluides passent mieux que les solides : l'œil accepte une fumée approximative, pas un pied qui traverse le sol.
La carte honnête de ce que la génération vidéo tient et de ce qu'elle rate, adossée aux protocoles publiés. En bas, l'échelle d'exigence : la génération créative se contente de plausibilité, le prototypage et les données de synthèse réclament de la contrôlabilité, la simulation robotique exige une justesse causale que les benchmarks actuels ne constatent pas. L'exigence monte bien plus vite que la qualité visuelle.
Ce que « world model » désigne — et ce qu'il ne désigne pas
Revenons au mot. Chez Ha et Schmidhuber, le monde appris sert à quelque chose de précis : l'agent est entraîné entièrement à l'intérieur d'un environnement produit par son propre modèle interne, puis la politique obtenue est transférée dans l'environnement réel. Le modèle n'est pas là pour être regardé, il est là pour qu'on s'entraîne dedans. La lignée s'est poursuivie : DreamerV3, publié dans Nature en avril 2025, apprend un modèle du monde puis entraîne une politique acteur-critique sur des trajectoires purement imaginées, avec une configuration unique tenant sur plus de cent cinquante tâches.
La branche robotique récente prend soin de ne pas prédire des pixels. V-JEPA 2, publié en juin 2025, prédit dans un espace de représentation latente : 1,2 milliard de paramètres, plus d'un million d'heures de vidéo en pré-entraînement, puis 62 heures seulement de vidéos de robots non annotées pour le conditionner à l'action. Déployé sans réentraînement sur des bras Franka dans deux laboratoires, il atteint 65 à 80 % de réussite pour placer des objets inconnus en environnement inconnu. L'argument est économique autant que théorique : rendre chaque feuille d'un arbre, c'est du calcul soustrait à la compréhension de la scène.
Les benchmarks livrés avec ce travail disent la distance restante. Sur trois épreuves de raisonnement physique, les humains se situent entre 85 et 95 % de justesse ; sur la détection de plausibilité, les modèles évalués sont au niveau du hasard. Rien là-dedans ne ressemble à une compréhension du monde — plutôt à des systèmes prédictifs utiles, très en deçà d'un modèle causal. C'est le même écart entre performance de surface et raisonnement que nous décrivions à propos du perroquet stochastique.
Un modèle vidéo ne sait pas qu'un objet continue d'exister hors du cadre. Il sait seulement que les vidéos où l'objet réapparaît sont plus fréquentes que celles où il disparaît.
— Ce que « permanence des objets » veut dire dans une architecture générative
| Famille | Ce que le système produit | Ce qui est exigé de lui | Ce qui le met en échec |
|---|---|---|---|
| Génération vidéo | Un plan fini, non interactif, à partir d'un texte ou d'une image de départ. | De la plausibilité visuelle et le respect de la consigne de style. | La durée : au-delà de quelques secondes, la dérive s'installe et rien ne la corrige. |
| Monde interactif | Des images produites au fil de l'eau, réagissant aux actions de l'utilisateur. | De la contrôlabilité et une mémoire visuelle de ce qui a déjà été vu. | Le temps long, l'espace d'actions restreint, plusieurs agents indépendants dans la même scène. |
| Modèle prédictif d'agent | Un état futur, souvent latent plutôt que pixellisé, conditionné par une action. | Une justesse causale suffisante pour qu'une politique apprise dedans marche dehors. | Tout écart de physique non détectable à l'œil, qui se paie au moment du transfert au réel. |
Le prix d'une seconde simulée
Les ordres de grandeur remettent les promesses à leur place, et ils sont publics. La grille tarifaire de Google facture Veo 3.1 à 0,40 $ la seconde en 720p comme en 1080p, 0,60 $ en 4K, audio compris ; les variantes allégées descendent à 0,10 $ et 0,05 $. La fiche du modèle Sora 2 affiche 0,10 $ la seconde, 0,30 $ pour la variante Pro. La vidéo se paie donc à la seconde, là où le texte se paie au millier de tokens.
Ces catalogues bougent vite, et c'est en soi une donnée. Au 20 juillet 2026, Veo 3.1 porte encore le suffixe preview dans ses identifiants, tandis que Veo 3 et Veo 2 ont été éteints le 30 juin 2026 ; la fiche de Sora 2 le marque « legacy » et déclare déprécié son instantané daté de décembre 2025. Bâtir une chaîne de production sur un modèle vidéo, c'est accepter un cycle de vie qui se compte en mois.
La durée réellement tenable est l'autre chiffre à connaître. Genie 3, annoncé le 5 août 2025, génère un monde navigable en temps réel à 24 images par seconde en 720p, avec une cohérence annoncée sur « quelques minutes » d'interaction et une mémoire visuelle remontant à environ une minute. La même page liste sans fard les limites : espace d'actions contraint, texte lisible seulement s'il était fourni en entrée, interactions entre agents indépendants encore à l'état de problème ouvert, aucune précision géographique sur des lieux réels. Quand ce travail est passé au produit — Project Genie, annoncé le 29 janvier 2026 pour les abonnés d'un palier haut de gamme aux États-Unis — les générations y sont plafonnées à 60 secondes. L'écart entre capacité de recherche et enveloppe servie en production dit tout du coût.
Reste la contrôlabilité, qui décide de l'usage professionnel bien plus que la beauté du rendu. Obtenir un plan splendide est facile ; obtenir ce plan-là, puis le même à deux images près après un changement de consigne, est le vrai problème. C'est aussi pourquoi la provenance devient inséparable de la génération : un contenu indiscernable du réel appelle des garanties d'origine, que nous avons traitées sous l'angle des filigranes et de la traçabilité. Et puisque ces systèmes lisent du texte, des images et parfois du son pour produire du mouvement, ils héritent des limites de la perception multimodale.
Ce qu'on peut honnêtement en faire
Rien de ce qui précède ne dit que ces systèmes sont inutiles — seulement qu'ils sont utiles ailleurs qu'où on les vend. En création, la plausibilité suffit : plan d'illustration, prévisualisation, storyboard animé, essai de cadrage avant tournage. L'exigence est esthétique, et la limite de durée gêne sans être rédhibitoire.
Un cran plus loin, données de synthèse et prototypage réclament de la contrôlabilité : imposer une condition et la retrouver dans le résultat. C'est le terrain que revendiquent les modèles de fondation pour l'IA physique, dont Cosmos 3, annoncé le 31 mai 2026 en accès ouvert. L'ambition est explicite ; l'évaluation indépendante reste à écrire, et les classements avancés par les éditeurs sur leurs propres pages ne remplacent pas un protocole tiers reproductible.
Au bout de l'échelle, simuler pour entraîner un agent qui agira physiquement exige une justesse causale que les benchmarks actuels ne constatent pas. La position tenable y est modeste : un monde généré ne prouve pas qu'un agent réussira, mais il suffit à montrer qu'il échoue. Une simulation imparfaite reste un filtre négatif honnête — elle élimine des candidats, elle n'en valide aucun.
Ces modèles génèrent des mondes qu'ils ne comprennent pas, et l'on peut au moins observer leurs sorties pour le constater. Une question plus difficile suit immédiatement : que peut-on lire à l'intérieur, dans les activations elles-mêmes ? Sondes, caractéristiques extraites, attribution — l'interprétabilité promet d'ouvrir la boîte, à condition de distinguer une explication plausible d'une preuve causale. C'est l'objet du prochain article de cette série.
Une question, un projet IA ?
Vous évaluez la génération vidéo pour un usage réel, ou cherchez à savoir ce qu'une simulation générée peut honnêtement garantir — échangeons sur votre contexte.
Prendre contact →Pour aller plus loin : côté pratique, nos décryptages d'outils IA suivent l'évolution réelle des générateurs vidéo, catalogues et cycles de vie compris ; et sur le versant conceptuel, notre article sur les lois d'échelle explique pourquoi une seconde de vidéo coûte l'équivalent de plusieurs pages de texte.