← Tous les articles
World Model·6 min de lecture·Par Alan Sharif

Code World Model : Le Vrai Rival De Genie 3 ?

Depuis Genie 3 de Google DeepMind, on a une image assez claire de ce à quoi ressemble un world model : un monde interactif généré directement sous forme de vidéo, image par image, en fonction de vos actions. Impressionnant, mais avec un défaut connu — sur la durée, ce genre de monde dérive, oublie des objets, change leur forme. Un papier publié le 26 août 2026, Code World Model (CWM), propose une architecture radicalement différente pour régler ce problème : et si, au lieu de tout confier à une seule IA vidéo, on donnait la logique du monde à un agent codeur ? Je vous explique le principe, comment ça se compare à Genie 3, et où sont les limites.

Le papier qui débarque avec une ambition claire

Le projet s'appelle Code World Model, ou CWM. Il vient d'un papier intitulé « Code World Model: Coding Agent as World Brain », publié le 26 août 2026 par trois chercheurs de West Lake University en Chine et de la Nanyang Technological University à Singapour. Leur objectif tient en une phrase : transformer un agent codeur en véritable cerveau du monde. Concrètement, dans leur système, un grand modèle de langage n'est plus seulement là pour discuter — il écrit du code exécutable qui gère les règles de l'environnement, conserve son état et calcule les conséquences de chaque événement. Le modèle vidéo, lui, ne s'occupe plus que du rendu visuel.

Pourquoi les world models vidéo actuels dérivent

Pour comprendre l'intérêt de cette approche, il faut revenir sur le fonctionnement des world models vidéo actuels — le genre de système derrière Genie 3. De manière simplifiée, le modèle observe les images précédentes ainsi que les actions de l'utilisateur, puis génère la suite la plus probable. Si vous avancez, il produit les prochaines images du déplacement ; si vous tournez la caméra, il génère le nouvel angle de vue. Entraînés sur d'énormes quantités de vidéos, ces modèles donnent l'impression qu'un vrai jeu tourne derrière l'écran.

Sauf que contrairement à un jeu vidéo classique, il n'existe pas de programme précis qui enregistre chaque objet, chaque position et chaque règle du monde. Une grande partie de cette information reste enfouie dans les représentations internes du réseau de neurones — difficiles à inspecter, à modifier, et surtout à maintenir sur la durée. C'est pour ça que ces mondes peuvent dériver : un objet change de forme, un personnage oublie ce qu'il tenait, un véhicule sorti du champ de la caméra réapparaît différemment. Sur quelques secondes, ça passe inaperçu. Mais pour un monde interactif censé évoluer pendant plusieurs minutes, voire plusieurs heures, chaque action doit produire une conséquence précise et conservée dans le temps — et c'est exactement là que ce genre d'architecture atteint sa limite.

Une scène générée par un world model vidéo reste cohérente sur la première image, puis un objet change de forme et de matière sur les images suivantes malgré une position marquée identique — illustration de la dérive visuelle des world models sur la durée
Sans état logique explicite, la mémoire du monde vit uniquement dans les poids du réseau — et peut dériver dès que la caméra s'éloigne puis revient.

CWM : un agent codeur comme cerveau du monde

Les chercheurs de Code World Model ont donc décidé de retirer cette responsabilité au générateur vidéo. Dans leur système, un grand modèle de langage agit comme un agent codeur. Quand un utilisateur demande une action ou qu'un nouvel événement se produit, cet agent analyse la situation et génère du code exécutable pour mettre à jour le monde : position des personnages, vitesse, objets présents dans la scène, collisions, état des véhicules, événements passés.

Prenons l'exemple donné par les chercheurs : un personnage détruit une voiture. Avec un modèle vidéo classique, il faut produire des images d'explosion, puis essayer de se souvenir visuellement que cette voiture n'existe plus. Avec CWM, le programme enregistre directement que le véhicule a été détruit — même si la caméra regarde ailleurs pendant un long moment. Cette information reste inscrite dans l'état logique du monde, et quand la caméra revient, le système sait que la voiture doit toujours être détruite. L'agent codeur n'intervient d'ailleurs pas à chaque image : il est surtout sollicité pour les décisions complexes, un nouveau comportement à ajouter ou une règle à modifier. Le reste — déplacer les objets, calculer les trajectoires, détecter les collisions — s'exécute seul, de manière déterministe.

Le proxy : le pont entre le code et le rendu MiniMax H3

Le souci, c'est qu'à ce stade, le système possède un monde logique fait de coordonnées, de variables et de règles — et ça ne ressemble absolument pas à une vidéo. Envoyer directement tout le code au générateur vidéo serait beaucoup trop abstrait. Les chercheurs ont donc créé une représentation intermédiaire appelée proxy : une version extrêmement simplifiée de la scène, où les personnages deviennent des capsules basiques, les véhicules de simples boîtes, et les mouvements des trajectoires précises. Ce proxy ne cherche pas à être beau — il sert uniquement à indiquer où se trouvent les éléments et comment ils doivent évoluer.

Un compilateur transforme ensuite l'état logique du monde en vidéo proxy, envoyée à MiniMax H3 avec une description textuelle du style visuel souhaité. Le proxy impose les positions, les mouvements et les trajectoires ; MiniMax H3 ajoute les personnages, les textures, l'éclairage, le décor et tous les détails visuels. Le code décide donc de ce qui existe et ce qui se produit, le proxy traduit ça visuellement, et le modèle vidéo construit l'apparence finale.

Genie 3 de Google : le vrai rival à battre

C'est là que la comparaison avec Genie 3 devient intéressante. Genie 3 de Google DeepMind reste, à ce jour, la référence des world models grand public : un monde interactif généré en temps réel, image par image, directement par une IA vidéo — sans agent codeur, sans état logique explicite. Le résultat est bluffant visuellement, mais toute la mémoire du monde vit dans les poids du réseau, avec exactement le type de dérive décrit plus haut sur la durée.

CWM ne cherche pas à rivaliser sur la qualité visuelle brute — Genie 3 garde une longueur d'avance là-dessus. Sa proposition, c'est de séparer deux fonctions habituellement mélangées dans le même modèle neuronal : d'un côté la logique du monde, ses règles, sa mémoire, ses objets et leur évolution ; de l'autre sa représentation visuelle, textures, couleurs, styles. Cette séparation rend l'état du monde beaucoup plus facile à inspecter et à corriger — si une règle pose problème, les développeurs peuvent théoriquement consulter le programme et la corriger précisément, sans réentraîner l'intégralité du modèle vidéo. Et surtout, la même logique peut recevoir plusieurs apparences différentes : un personnage contrôlé par le même proxy peut devenir un humain réaliste, un héros d'animation ou une créature complètement différente, sans changer une ligne de code. C'est précisément le point aveugle d'une approche 100% vidéo comme celle de Genie 3.

Les limites : on est encore loin d'un GTA généré par IA

Malgré des démonstrations impressionnantes, on reste très loin d'un nouveau GTA entièrement généré et simulé par l'IA. Les mondes présentés restent relativement simples. Construire un vrai jeu demanderait de gérer simultanément la physique, les personnages, les inventaires, les collisions, les objectifs et des milliers d'événements persistants — et dans le prototype actuel, l'agent s'appuie encore sur des structures et des logiques préparées à l'avance par les chercheurs. Il peut les modifier, les combiner, les étendre, mais il ne construit pas encore seul toutes les règles d'un univers complexe à partir de zéro.

Le rendu conserve aussi certaines limites des modèles vidéo classiques : le code peut imposer qu'un objet se trouve à une position précise, sans garantir que chaque détail visuel restera parfaitement cohérent. Et les chercheurs n'ont pas encore démontré que cette architecture pouvait faire fonctionner un monde vaste, complexe et photoréaliste en temps réel — le terrain où Genie 3 a justement le plus progressé.

Schéma des limites actuelles de Code World Model : le prototype gère un décor simplifié avec des règles préparées à l'avance, alors qu'un vrai jeu complet demanderait de gérer physique, personnages, inventaires, collisions, objectifs, comportements et événements persistants — avec le temps réel et le photoréalisme encore non démontrés, et une position précise qui ne garantit pas des détails visuels cohérents
Du prototype actuel à un vrai jeu complet, il reste encore beaucoup de briques à assembler — et le temps réel photoréaliste n'est pas encore démontré.

Mon avis

Ce qui me plaît dans Code World Model, ce n'est pas la promesse de remplacer Genie 3 demain matin — clairement, ce n'est pas le cas, et les chercheurs eux-mêmes présentent ça comme une preuve de concept. Ce qui compte, c'est le pari architectural : au lieu de tout miser sur un seul réseau de neurones géant pour porter la logique et le visuel d'un monde entier, CWM remet une brique de déterminisme — du code, qu'on peut lire et corriger — au cœur d'un système génératif. On retrouve un peu la même intuition que dans les architectures d'agents codeurs modulaires qu'on voit émerger ailleurs : séparer clairement ce qui raisonne, ce qui décide et ce qui exécute, plutôt que de tout mélanger dans une seule boîte noire.

Soyons honnêtes : pour l'instant, Genie 3 reste bien devant sur la qualité visuelle et la fluidité, et CWM n'a rien d'un produit fini. Mais si l'idée de séparer logique et rendu tient la route à plus grande échelle, ça pourrait devenir la vraie réponse au problème que je décrivais déjà dans mon article sur la mort des LLM face aux world models : un monde qui se souvient vraiment de ce qui s'y passe, au lieu d'un monde qui rêve à chaque image. À suivre de très près.

📤 Partager :
Code World Model : Le Vrai Rival De Genie 3 ?

🎬 Tu préfères la version vidéo ?

Cet article est tiré de ma vidéo YouTube — clique pour la voir.

Regarder sur YouTube →

🛠️ Tu cherches des outils IA testés ?

J'ai testé plus de 20 outils IA en vidéo — résumé, mode d'emploi, mon verdict.

Voir mon annuaire d'outils →
Alan Sharif

Alan Sharif — créateur de Nerdy Kings

Je teste les outils IA et je décrypte les nouveaux modèles pour ma communauté de 30 000+ curieux francophones sur YouTube. Sans bullshit, sans hype, sans jargon.