Modelos de mundo en IA: qué son y para qué sirven (Genie, Odyssey)

👁 120 lecturas

Un modelo de mundo (world model) es una IA que no se limita a redactar texto ni a generar un vídeo cerrado: predice cómo cambiará el entorno ante las acciones de un usuario o un agente. Gracias a esto, es posible recorrer un mundo generado como si fuera un videojuego o permitir que un robot ensaye una tarea antes de ejecutarla en la realidad. En esta guía repasamos los modelos más relevantes - Genie, Odyssey, Cosmos, V-JEPA y Atlas -, su disponibilidad, costes y las pruebas que hemos llevado a cabo.

Qué es un modelo de mundo

Un modelo de lenguaje de gran tamaño predice la siguiente palabra. Un modelo de mundo predice el siguiente estado del entorno: el próximo fotograma visual, la posición de los objetos o el desplazamiento de la cámara. La clave reside en la señal de control. El modelo recibe una instrucción como «el jugador avanza» o «el brazo robótico cierra la pinza» y debe proyectar qué ocurre a continuación.

Diferencias frente a un generador de vídeo tradicional como Veo:

• Un generador de vídeo renderiza el clip completo de una vez y el usuario se limita a reproducirlo;
• Un modelo de mundo calcula la imagen fotograma a fotograma en tiempo real en respuesta a las acciones del usuario;
• Un modelo de mundo debe recordar lo que ya ha mostrado: si te giras y vuelves a mirar, el edificio debería seguir en el mismo sitio (este sigue siendo su punto más débil).

Para profundizar en los motivos por los que la comunidad científica considera los modelos de mundo el siguiente salto tras los LLM, puedes consultar: modelos de mundo: la IA que comprende la física.

Cómo funcionan por dentro

La mayoría de los modelos de mundo actuales orientados a representación visual comparten una arquitectura similar:

• Entrenamiento con vídeo: el modelo procesa millones de horas de grabaciones (con frecuencia partidas de videojuegos y cámaras de a bordo de vehículos) emparejadas con las acciones de control ejecutadas (teclas, volante o movimientos mecánicos).
• Predicción paso a paso: a partir de los últimos fotogramas y la acción de entrada, el sistema predice el siguiente cuadro. Es un enfoque autorregresivo similar al de los LLM, pero con representaciones visuales en lugar de palabras.
• Difusión: cada nuevo fotograma se genera mediante reducción de ruido, igual que en los generadores de imágenes. Para operar en tiempo real, se destila el modelo de forma que basten unos pocos pasos de muestreo.
• Memoria: el modelo únicamente observa una ventana temporal limitada del pasado. En cuanto un elemento sale de esa ventana, debe volver a deducirlo, lo que explica por qué los edificios cambian de forma con facilidad.

V-JEPA plantea una alternativa distinta: en lugar de predecir píxeles, proyecta la descripción del estado del entorno en un espacio abstracto de conceptos. No permite caminar visualmente por él, pero resulta mucho más eficiente en términos de cómputo y se adapta mejor a la planificación motriz en robótica.

Limitaciones que los desarrolladores suelen omitir

• Permanencia de objetos: al rotar la cámara, el escenario suele mutar. Lo comprobamos en Odyssey-3 tras apenas 10 segundos de exploración.
• Sesiones breves: las demos gratuitas ofrecen unos minutos de margen, y Genie 3 mantiene la coherencia del entorno durante intervalos cortos según Google.
• Resolución: habitualmente entre 480p y 720p, lejos del acabado que alcanzan los generadores de vídeo en 4K.
• Falta de detalle local: los modelos conocen el arquetipo general de una «ciudad europea», pero carecen de precisión sobre monumentos específicos.
• Métricas de laboratorio: los benchmarks independientes son escasos y cada compañía suele reportar las variantes de test donde obtiene mejores cifras.

Para qué sirven los modelos de mundo

• Robótica y conducción autónoma: entrenamiento intensivo en entornos simulados en vez de acumular miles de horas de pruebas con hardware físico real. Es el mercado prioritario para NVIDIA y Odyssey.
• Agentes de IA: generación de entornos ilimitados para aprendizaje por refuerzo, incluidos videojuegos.
• Videojuegos y producción audiovisual: exploración rápida de localizaciones, atmósferas y prototipado ágil de mundos interactivos.
• Investigación científica: verificación de si una IA comprende principios de física básica, mediante baterías de pruebas como Physics-IQ.

Principales modelos de mundo en octubre de 2026

Genie 3 y Project Genie

Genie 3 es el modelo desarrollado por Google DeepMind presentado en agosto de 2025. Genera entornos navegables a 720p y 24 fotogramas por segundo. En enero de 2026, Google lo integró en su plataforma Labs bajo el nombre de Project Genie, inicialmente limitado a suscriptores de Google AI Ultra en Estados Unidos. Según informaciones de mayo de 2026, el acceso se amplió gradualmente a suscriptores de Ultra en otros territorios, aunque Google no ha publicado un listado detallado de países admitidos. Project Genie combina la base de Genie 3 con Nano Banana y Gemini. En nuestro artículo sobre modelos de mundo: la nueva frontera de la IA tras los LLM analizamos cómo encaja en la estrategia de la compañía.

Odyssey-3

La firma Odyssey, con sede en Palo Alto, lanzó Odyssey-3 el 8 de octubre de 2026. Se trata de un transformer autorregresivo de difusión que desruida fotogramas consecutivos considerando el historial previo y las órdenes del usuario. Su arquitectura se ha acelerado para resolver cada fotograma en muy pocos pasos de difusión, lo que hace posible el renderizado interactivo. La empresa orienta este mismo desarrollo al control de robots, coches autónomos, drones y entrenamiento de agentes. Consulta todos los detalles técnicos en nuestro análisis de Odyssey-3.

NVIDIA Cosmos

Cosmos agrupa la familia de modelos abiertos de NVIDIA dirigidos a la denominada IA física. Su cometido central es la generación de datos sintéticos realistas para entrenar robots y sistemas de conducción. La variante Edge está optimizada para operar localmente en dispositivos finales sin conexión a la nube. Detallamos su puesta en marcha en la guía sobre cómo empezar con NVIDIA Cosmos 3 y cubrimos su variante ligera en el artículo sobre Cosmos 3 Edge.

V-JEPA 2 y la visión de Yann LeCun

Presentado por Meta en junio de 2025, V-JEPA 2 adopta un enfoque radicalmente distinto: no invierte recursos en pintar píxeles, sino que predice las consecuencias de una acción dentro de un espacio de representaciones abstractas. Esta línea de investigación ha sido impulsada por Yann LeCun, quien sostiene que sintetizar cada píxel individual supone un gasto innecesario de potencia de cálculo. El modelo cuenta con pesos abiertos. LeCun abandonó Meta posteriormente para continuar explorando esta arquitectura desde su propia iniciativa, evolución que recogemos en Yann LeCun frente al resto de la industria.

World Labs: Marble y Atlas

La startup fundada por Fei-Fei Li se especializa en inteligencia espacial. Mientras Marble genera entornos tridimensionales navegables, Atlas (presentado el 1 de septiembre de 2026) produce hasta un minuto de vídeo a 1440p desde una única imagen fija, permitiendo un control riguroso de la cámara y la exportación a nubes de puntos. Puedes leer más detalles en nuestro artículo sobre Atlas de World Labs.

Rendimiento físico en el benchmark Physics-IQ

El benchmark Physics-IQ evalúa si las predicciones de un modelo respetan leyes físicas fundamentales como la gravedad, las colisiones o la dinámica de fluidos. A continuación se muestran las métricas facilitadas por Odyssey con motivo de su lanzamiento. Dado que cada compañía suele reportar resultados bajo configuraciones distintas, no mezclamos otras fuentes en este mismo gráfico.

Nuestras pruebas en Odyssey-3

Odyssey-3 era el único gran modelo de mundo interactivo que a 9 de octubre de 2026 se podía ejecutar directamente en el navegador sin necesidad de registro ni pago. Para poner a prueba su comportamiento, evaluamos tres escenarios: una pradera montañosa en Bieszczady descrita en inglés, la misma descripción formulada en polaco y la Plaza Mayor de Cracovia en invierno.

Nuestra conclusión: el sistema captura con solvencia la atmósfera visual y la iluminación general, pero carece de conocimiento topográfico específico y todavía pierde la coherencia espacial de los objetos. Resulta útil para bocetar ambientes, pero insuficiente para reconstrucciones rigurosas.

Cómo empezar a experimentar: tres alternativas

1. Gratis y en 5 minutos: accede a experience.odyssey.systems, introduce un texto descriptivo y desplázate usando las teclas WASD y el ratón.
2. Mediante suscripción de Google: prueba Project Genie dentro de Google AI Ultra comprobando su disponibilidad en tu panel de Labs.
3. En hardware local propio: descarga NVIDIA Cosmos o V-JEPA 2 desde Hugging Face. Requiere una GPU potente y soltura con entornos en Python.

Modelos de mundo frente a herramientas de creación de juegos

Es habitual confundir un modelo de mundo con una plataforma de diseño de videojuegos. Entornos como Google Labs Playground estructuran un juego completo con mecánicas definidas, sistemas de puntuación y condiciones de victoria. Un modelo de mundo, en cambio, se limita a proyectar un espacio navegable sin reglas lúdicas. Puedes leer nuestro análisis detallado en cómo funciona Google Playground.

Preguntas frecuentes

¿En qué se distingue un modelo de mundo de un generador de vídeo?

Un generador produce un archivo de vídeo cerrado que solo puedes reproducir. Un modelo de mundo procesa la escena en tiempo real ante tus órdenes de control y trata de mantener la coherencia espacial de lo ya explorado.

¿Existen modelos de mundo gratuitos?

Sí. Odyssey-3 ofrece una experiencia interactiva sin coste en la web, mientras que NVIDIA Cosmos y Meta V-JEPA 2 distribuyen sus pesos de forma abierta.

¿Se puede utilizar Genie 3 desde España?

Project Genie está vinculado a la suscripción Google AI Ultra. Google no ha facilitado un desglose oficial de países con soporte activo, por lo que es necesario comprobar si la función aparece habilitada dentro de Google Labs en tu cuenta.

¿Entienden los modelos de mundo las leyes de la física?

De manera parcial. Las puntuaciones punteras en Physics-IQ rondan los 66 puntos sobre 100, todavía lejos de una simulación exacta. En nuestras pruebas interactivas, los fenómenos cotidianos básicos (marcha, niebla, sombras) mostraron un comportamiento verosímil.

¿Puedo ejecutar un modelo de mundo en mi ordenador?

Cosmos y V-JEPA 2 admiten ejecución local en equipos con tarjetas gráficas potentes de NVIDIA. En cambio, Odyssey-3 y Genie 3 solo están disponibles a través de los servidores en la nube de sus creadores.

¿Tiene utilidad práctica para un creador de contenido actual?

Resulta práctico para diseñar bocetos de localizaciones, explorar atmósferas de iluminación y prototipar ideas conceptuales de escenarios. Para material de producción final, la tecnología aún debe madurar.

Fuentes y fecha de revisión

• Odyssey - Meet Odyssey-3
• Google - Project Genie
• 9to5Google sobre Project Genie
• Wikipedia - Genie (world model)
• Nuestra prueba directa de Odyssey-3 realizada el 9/10/2026. Información verificada a 9 de octubre de 2026.

// sigue leyendoOdyssey-3: probamos el nuevo modelo de mundo interactivoHerramientas de IAWorld models: Genie 3 y Marble enseñan física a la IAPanorama de la IAThinkNet: el modelo ligero para leer señales EEG sin sesgosPanorama de la IA

Kinetyra