تشهد مختبرات الذكاء الاصطناعي والروبوتات تحولاً سريعاً من نموذج النماذج اللغوية-الرؤية-الإجراء التقليدية إلى فئة جديدة تُعرف بنماذج العالم-الإجراء. يعتمد هذا النهج على استبدال القوالب اللغوية المسبقة التدريب ببنوك فيديو أو نماذج عالم محاكاة مُهيأة، مما يمكن الروبوت من توقع التغيرات البيئية المستقبلة استناداً إلى تعليمات نصية ومخرجات بصرية، ثم استنتاج الإجراء الحركي اللازم. يهدف هذا التطور إلى سد فجوة تأطير اللغة التي تعاني منها الأنظمة الحالية، حيث تواجه صعوبة في ربط التعليمات المجردة بالحركة الفعلية للأذرع الروبوتية. توفر نماذج العالم-الإجراء سابقة بصرية قوية تتعلم تلقائياً العلاقة بين اللغة والتغير الفيزيائي في المشاهد، مما يقلل الاعتماد على بيانات التدريب المحدودة ويسرّع تقارب النموذج أثناء الضبط الدقيق. أظهرت نتائج ميدانية على معايير تقييم واقعية مثل RoboArena أداءً تنافساً، خاصة في المهام ذات المدى الطويل والمعقدة. على الرغم من الجدارة النظرية، يمر المجال بمرحلة استكشاف معماري مكثف. تصنف الأبحاث النماذج حسب منهجية التنبؤ، وطريقة دمج الإجراءات، وهيكلية المحولات المستخدمة. تواجه هذه النماذج تحديات عملية جمة، أبرزها تكلفة الحوسبة الباهظة للتدريب بسبب طول تسلسل الرمز البصري، وبطء الاستدلال الذي يتجاوز النماذج التقليدية ثلاث إلى أربع مرات، مما يعيق التطبيقات الزمنية الحقيقية. تشير المؤشرات الحالية إلى أن مستقبل نماذج الروبوت الأساسية لن يكون سباقاً بين مسارين متنافسين، بل اتجاهاً نحو الهجين. تدمج المبادرات الحديثة مكونات عالم-إجراء داخل أطر تقليدية عبر نماذج فرعية تولد أهدافاً بصرية وسيطة توجه الخبراء الحركيين، أو تستخدم بنية محولات مختلطة للمحافظة على القوة التمثيلية مع مرونة التنبؤ البصري. مع تطور القوالب الفيديوية المفتوحة وتوسع مجموعات البيانات الروبوتية المشتركة، يتوقع ترسخ هذه الفئة كركيزة أساسية تكمل مسار النماذج اللغوية-الرؤية في تطوير روبوتات ذكية قادرة على التفاعل الفيزيائي الدقيق والفعال.