Un jeu vidéo dont personne n’a dessiné les décors. Chaque image est inventée à la volée par un réseau de neurones, en temps réel, pendant que vous vous déplacez. Vous tournez la tête, un couloir apparaît ; vous ouvrez une porte, une pièce se dessine. C’est la promesse d’un world model, et jusqu’ici ces systèmes tenaient quelques dizaines de secondes avant que l’image ne se délite. Le laboratoire Robbyant vient d’en publier un qui tient une heure entière, en open source, et qui rentre sur une carte graphique de salon.
Un moteur de jeu sans moteur graphique
Le terme prête à confusion, alors posons-le simplement. Un world model n’est pas un générateur de vidéo qui produit un clip de dix secondes à partir d’une phrase. C’est un modèle qui simule un environnement navigable : à chaque instant, il prend en compte l’état du monde et vos actions, puis génère l’image suivante de manière cohérente avec la précédente.
La différence est celle qui sépare un film d’un moteur de jeu. Le film est figé, vous le regardez ; le moteur réagit, vous agissez dedans. À ceci près qu’aucun moteur graphique classique ne calcule quoi que ce soit : tout, le décor, la lumière, la physique apparente, sort du modèle, image après image. LingBot-World 2.0, baptisé « Infinity », relève de cette seconde catégorie, et c’est là que la barre technique devient difficile à tenir.
Tenir une heure sans que l’image parte en vrille
Le talon d’Achille de ces systèmes, c’est la dérive. Comme chaque image est générée à partir des précédentes, les petites erreurs s’accumulent : au bout d’un moment, le décor se déforme, les objets disparaissent, la scène devient une bouillie visuelle. On parle de « quality decay », et c’est ce qui cantonnait jusqu’ici les world models à des démonstrations de courte durée.
Robbyant annonce une génération d’une heure sans ce décrochage, avec une sortie stable en 720p à 60 images par seconde, en temps réel. Le monde n’est pas qu’un décor : il est dynamique, peuplé d’agents intégrés qui génèrent de nouveaux événements pendant que vous jouez, et il accepte plusieurs joueurs dans le même environnement. Vous interagissez via des « Actions », c’est-à-dire des commandes que le modèle interprète pour faire évoluer la scène. Pour mesurer la marche franchie : le Genie 3 de Google DeepMind, la référence du domaine, ne tient que quelques minutes en 720p à 24 images par seconde et reste cantonné au cloud. Ici, on passe à une heure, à 60 images par seconde, et avec des poids téléchargeables.
Une simulation qui reste belle une heure durant, c’est déjà rare ; mais surtout, un monde qui continue de vivre autour de vous. Durée, stabilité, interactivité : voilà ce qui manquait pour passer du gadget de recherche à quelque chose d’utilisable.
14 milliards de paramètres pour le labo, 1,3 pour votre carte
Vient la partie qui ancre l’annonce dans le réel. LingBot-World 2.0 arrive en deux versions. Un modèle de 14 milliards de paramètres, lourd, taillé pour la qualité maximale. Et une version allégée de 1,3 milliard de paramètres, conçue pour tourner sur un seul GPU grand public, le genre de carte qu’on trouve dans une machine de joueur ou de développeur.
Les poids du modèle sont publiés sur Hugging Face, et une démonstration jouable est accessible via reactor.inc/lingbot-world-2. Autrement dit, on ne parle pas d’une capture d’écran impressionnante réservée à un cluster de recherche : n’importe qui disposant du matériel adéquat peut télécharger les poids et faire tourner sa propre instance.
Ce grand écart entre un modèle de labo et sa déclinaison légère est le levier de démocratisation. Il acte que la simulation générative n’est plus un privilège d’infrastructure, mais une brique qu’on peut installer chez soi.
Les agents IA ont besoin de mondes à eux
Reste la question de fond : à quoi sert un monde généré, au-delà de la prouesse ludique ? La réponse tient en un mot : l’entraînement. Les agents IA, qu’il s’agisse de robots, d’IA incarnées dans un environnement 3D ou de systèmes d’apprentissage par renforcement, ont besoin d’un terrain de jeu pour apprendre. Or apprendre dans le monde réel coûte cher, prend du temps et casse du matériel.
Un world model interactif offre l’alternative : un bac à sable infini, générable à la demande, où un agent peut échouer des milliers de fois sans conséquence. La durée d’une heure et l’absence de décrochage prennent ici tout leur sens : un agent a besoin de séquences longues et cohérentes pour apprendre une tâche, pas de dix secondes qui s’effondrent. Et le fait que le monde soit peuplé d’agents autonomes générant des événements en fait un environnement imprévisible, donc plus proche du réel qu’un décor figé.
Il faut toutefois garder la tête froide. Une démonstration jouable n’est pas encore un environnement d’entraînement fiable et validé, et la fidélité physique d’un monde généré par un réseau de neurones reste une inconnue : ce qui est visuellement plausible ne l’est pas forcément dynamiquement. L’écart entre « ça a l’air vrai » et « un agent peut y apprendre quelque chose de transférable » est précisément le terrain que ce genre de sortie va devoir défricher.
Tenir une heure, d’autres laboratoires y parviendront. Le basculement est ailleurs : ce monde tourne désormais sur une machine de salon, poids ouverts à l’appui. Le world model quitte la vitrine des grands labos pour devenir une pièce qu’on peut manipuler, tordre et brancher sur ses propres agents. La suite se jouera moins sur la beauté des images que sur la solidité de ce qu’on peut y apprendre.
