World model : test en direct de LingBot World 2 et Abot World 0

👁 117 lectures

À la mi-octobre, fal.ai a inauguré une nouvelle catégorie : le world model interactif dans lequel on se déplace en temps réel au clavier, comme dans un jeu vidéo. Ce 20 octobre 2026, j’ai lancé trois de ces systèmes : LingBot World 2 de Robbyant (Ant Group), Abot World 0 d’Alibaba et MiniMax H3 Max Reference Director. Les deux premiers fonctionnent : une session de 40 secondes au-dessus du lac Morskie Oko m’a coûté environ 0,08 USD, mais l’environnement sans image de départ se dégrade vite en artefacts. Quant au troisième, impossible de lui faire sortir la moindre image. Vous pouvez retrouver d’autres analyses de générateurs comme FLUX 3 Max sur le site.

En bref (20.10.2026)

• Ce que c’est : un modèle qui génère ses images à la volée en réponse aux touches de commande (Z, Q, S, D et actions rapides), au lieu de calculer un fichier vidéo préétabli. Le fonctionnement global de ce type d’architecture est détaillé dans mon guide sur les modèles de monde.
• Tarif sur fal : 0,00125 USD par seconde de calcul pour LingBot World 2 et Abot World 0. Ma session de 40 secondes m’a coûté environ 0,05 à 0,08 USD.
• Licences des poids : CC BY-NC-SA 4.0 pour LingBot World 2 (usage non commercial uniquement) et Apache-2.0 pour Abot World 0.
• Accès : session WebRTC pure. Le flux vidéo arrive en direct sans fichier téléchargeable ; j’ai capturé les images moi-même. Retrouvez mes autres bancs d’essai indépendants dans le Labo de ce blog.
• Mes notes : LingBot avec image de départ 7/10, sans image 4,5/10 ; Abot 6,5/10.

Fonctionnement technique d’un world model AI

Ce protocole diffère d’une API vidéo classique où l’on soumet un prompt pour recevoir un fichier MP4. Ici, le client adresse une offre de connexion WebRTC à la passerelle de fal, reçoit une réponse, puis transmet via un canal de données (data channel) la configuration initiale (description, image de référence) et les commandes de déplacement. Le flux vidéo revient en temps réel pendant que le modèle renvoie ses métriques : cadence de calcul, latence réseau, numéro de bloc. La session exige un signal de maintien (keep-alive) toutes les quelques secondes.

Dans un navigateur, cette mécanique est gérée par le bac à sable de fal et leur bibliothèque JavaScript. Pour mon banc d’essai, j’ai développé un script en Python avec la bibliothèque aiortc afin d’enregistrer les trames et mesurer précisément les flux. Voici les détails renvoyés par LingBot dès le premier message :

• modèle : lingbot-world-v2-14b-causal-fast (14 milliards de paramètres, variante accélérée) ;
• résolution de 1664×960, cadence annoncée de 48 i/s, 3 images par bloc ;
• commandes : touches W, A, S, D pour le déplacement et I, J, K, L pour l’orientation de la caméra ;
• après réception du prompt textuel, le modèle l’enrichit automatiquement en instructions détaillées (« personnage dans le coin inférieur gauche, distance constante par rapport à la caméra… »).

Mon test comparatif

Sans image de départ : un décor générique instable

J’ai démarré ma première session avec un simple prompt rédigé en polonais décrivant un randonneur en veste rouge au bord d’un lac des Tatras à l’aube. Au lieu de bâtir cette scène, LingBot World 2 a chargé l’un de ses décors préenregistrés : un arbre isolé au milieu d’un lac devant des montagnes. Ce n’est qu’après plus de dix secondes qu’il a tenté d’intégrer mes éléments. Lors de cette transition, l’eau s’est transformée en aplats flous dignes d’une peinture à l’huile, et le randonneur n’est apparu que dans les toutes dernières secondes.

Avec image de référence : 40 secondes de stabilité

En fournissant une image de départ, LingBot a parfaitement maintenu la disposition des sommets, les reflets aquatiques et les teintes de l’aube durant toute la session de 40 secondes. Les marcheurs ont réagi aux commandes de direction, mais au lieu de longer la rive, ils se sont mis à avancer dans le lac avec de l’eau jusqu’aux genoux : la physique des fluides reste clairement perfectible.

De son côté, Abot World 0 alimenté avec la même image a positionné sa caméra au ras de l’eau. Le plan est resté stable, mais au fil des secondes, les rochers perdaient leur piqué et le randonneur s’est volatilisé. Le débit d’Abot était aussi plus modeste : environ 12 à 13 images par seconde en 1280×704, contre 24 à 32 chez LingBot.

MiniMax H3 Max Reference Director : échec de configuration

Le troisième modèle testé, H3 Max Reference Director de MiniMax, se présente comme un moteur de mise en scène continue gérant images de référence, scénarisation temporelle et dialogues. Si la session WebRTC s’est bien établie, confirmant une exécution sur une machine dédiée à 8 GPU (B300/B200) à raison d’une session unique par serveur, le modèle a rejeté ma configuration incluant image et scénario en signalant un champ de version de commande manquant. La plateforme fal affichant un tarif indicatif de 0,00 USD par seconde non confirmé officiellement, je n’ai pas insisté à l’aveugle sur une infrastructure de ce gabarit.

Combien coûte une session

• LingBot World 2 et Abot World 0 : 0,00125 USD par seconde de calcul, ce qui revient à un rythme théorique de 4,50 USD de l’heure.
• Attention : une seconde de calcul ne correspond pas strictement à une seconde de flux vidéo affiché, et fal ne détaille pas la consommation exacte de ressources par seconde de session. En restant prudent, l’ensemble de mes essais, échecs compris, m’est revenu à environ 0,50 USD.
• MiniMax H3 Max Reference Director : tarif définitif non confirmé.

À qui s’adressent ces modèles aujourd’hui

• Aux concepteurs de jeux vidéo et développeurs d’applications recherchant un arrière-plan réactif ou un prototype de monde interactif. La licence d’Abot World 0 autorise d’ailleurs l’exploitation commerciale.
• Aux chercheurs et curieux : LingBot World 2 offre une restitution visuelle supérieure, mais ses poids sont sous licence non commerciale et fal lui appose l’étiquette « research ».
• Pas aux vidéastes : pour obtenir un clip monté et propre, les générateurs vidéo génératifs classiques restent bien plus adaptés.

Pour explorer un précédent test de modèle interactif dans le navigateur sans écrire de code, jetez un œil à mon essai d’Odyssey-3. Vous pouvez également consulter mon récapitulatif complet sur les nouveaux modèles fal.ai d’octobre 2026.

Foire aux questions

Un world model fournit-il un fichier vidéo final ?

Non, pas via l’API WebRTC. Le flux d’images est diffusé en direct. La capture doit être réalisée par vos soins, comme je l’ai fait via un script dédié.

Faut-il disposer d’un ordinateur puissant ?

Pas pour passer par fal.ai, puisque l’inférence tourne sur leurs serveurs distants. En revanche, pour faire tourner Abot World 0 en local, ses concepteurs mentionnent un besoin d’environ 19 Go de VRAM (carte de type RTX 5090), une configuration que je n’ai pas testée en local ici.

Puis-je exploiter commercialement les vidéos issues de LingBot World 2 ?

Les poids sont distribués sous licence CC BY-NC-SA 4.0 et l’instance sur fal est étiquetée pour la recherche. Une clarification préalable auprès des créateurs ou de la plateforme s’impose avant tout usage commercial.

Sources

• Mesures et banc d’essai personnel du 20.10.2026 : 3 sessions WebRTC concluantes sur fal.ai via Python (aiortc) avec sauvegarde locale des trames.
• fal.ai : fiches techniques et grilles tarifaires de LingBot World 2, Abot World 0 et H3 Max Reference Director (consultées le 20.10.2026).
• Hugging Face : dépôts officiels LingBot World v2 (CC BY-NC-SA 4.0) et ABot-World-0 (Apache-2.0).
• GitHub : code source du projet amap-cvlab/ABot-World.

// lire la suiteWorld models : Genie 3 et Marble dépassent les LLMÉtat de l'IAWorld models IA : Genie, Odyssey, Cosmos et V-JEPA décryptésÉtat de l'IAAMD rachète World Labs de Fei-Fei Li pour 8,2 milliards de dollarsMagazine