"World Model"（世界模型）一词在人工智能领域被广泛使用，涵盖从潜在动力学模型到交通场景生成器等广泛范畴。这种模糊性促使了《2026 年世界模型状态：分类法、基准与开放挑战》报告的诞生，旨在为描述此类模型提供一致的方式。该报告将世界模型定义为一种学习环境表征，以在其中进行预测、模拟、评估或支持行动的人工智能。这一定义涵盖了多种人工智能应用，但排除了缺乏必要环境一致性的生成模型。由于不同的世界模型在各自擅长的领域表现突出（如视觉真实性、机器人规划或安全测试），制定一个通用排名被视为具有误导性。相反，报告提出了一种基于实际领域的分类法，涵盖领域、输入/输出模态、动作条件、表征、时间跨度和评估类型等维度。领域（如机器人或视频生成）显著影响模型的目的和评估标准。功能特性是另一个关键区分因素，模型可服务于预测、模拟、规划或数据生成等目的。内部表征从像素到潜在向量再到符号变量各不相同，每种都有其权衡。时间跨度从下一状态预测到过程规划至关重要，因为错误会随时间累积。动作条件区分了被动预测与“如果我这样做会怎样”的情景，是至关重要的实践区别。评估分散在感知、物理、功能和规划等方面，凸显了“感知 - 功能差距”。报告建议为模型和基准建立结构化目录，以促进筛选和比较。它强调记录已知信息，将证据与解释分离，并实施版本管理以应对该领域快速演变的特点。必要的排除项有助于保持焦点，防止目录演变为无所不包的人工智能目录。