"월드 모델"이라는 용어는 AI 분야에서 광범위하게 사용되며, 잠재 역학 모델부터 교통 시나리오 생성기까지 모든 것을 포괄합니다. 이러한 모호함은 이러한 모델을 일관되게 설명하기 위한 방법을 제공하고자 "State of World Models 2026: Taxonomy, Benchmarks and Open Challenges"의 개발로 이어졌습니다. 이 보고서는 월드 모델을 환경 내에서의 행동을 예측, 시뮬레이션, 평가 또는 지원하기 위해 환경의 표현을 학습하는 AI로 정의합니다. 이 광범위한 정의는 다양한 AI 애플리케이션을 포함하지만, 필수적인 환경 일관성이 부족한 생성 모델은 제외합니다.시각적 현실감, 로봇 계획 또는 안전 테스트와 같이 서로 다른 영역에서 뛰어난 월드 모델이 다르기 때문에 보편적인 순위는 오해의 소지가 있다고 간주됩니다. 대신, 이 보고서는 도메인, 입력/출력 양식, 행동 조건화, 표현, 시간적 범위 및 평가 유형과 같은 실제 분야를 기반으로 한 분류 체계를 제안합니다. 로보틱스 또는 비디오 생성과 같은 도메인은 모델의 목적과 평가 기준에 상당한 영향을 미칩니다. 기능성은 예측, 시뮬레이션, 계획 또는 데이터 생성과 같은 목적을 수행하는 모델과 함께 또 다른 주요 차별점입니다.내부 표현은 픽셀부터 잠재 벡터 및 기호 변수까지 다양하며, 각각 장단점이 있습니다. 다음 상태 예측부터 절차적 계획까지의 시간적 범위는 오류가 시간이 지남에 따라 누적될 수 있으므로 중요합니다. 수동 예측과 "내가 이것을 하면 어떻게 될까?" 시나리오를 구별하는 행동 조건화는 중요한 실제적 구분입니다. 평가는 지각, 물리, 기능 및 계획 측면에 걸쳐 파편화되어 "지각-기능성 격차"를 강조합니다.이 보고서는 필터링 및 비교를 용이하게 하기 위해 모델 및 벤치마크에 대한 구조화된 카탈로그를 제안합니다. 또한 알려진 정보를 문서화하고, 증거와 해석을 분리하며, 빠르게 발전하는 분야를 관리하기 위해 버전 관리를 구현하는 것을 강조합니다. 카탈로그가 모든 것을 포괄하는 AI 디렉토리가 되는 것을 방지하기 위해 초점을 유지하기 위해 제외가 필요합니다.