Les modèles de fondation vidéo ont rapidement progressé dans la compréhension et la génération de séquences visuelles, tandis que les modèles du monde vidéo cherchent à saisir les dynamiques sous-jacentes du monde qu’ils représentent. Malgré leurs objectifs différents, tous deux concernent la relation entre les observations vidéo et un monde en évolution. Cet état de l’art adopte la modélisation du monde comme prisme unificateur pour examiner ces développements. En considérant une vidéo observée comme une projection partielle, avec pertes et ordonnée temporellement, d’un monde temporel latent, nous organisons la littérature autour de quatre opérations complémentaires : la lecture infère les propriétés du monde à partir de la vidéo observée ; l’écriture synthétise une vidéo à partir de conditions du monde spécifiées ou apprises ; le partage intègre la compréhension et la génération grâce à des mécanismes de modélisation communs ; l’interaction prédit et met à jour les états du monde sous l’effet d’actions et d’observations évolutives. Cette perspective distingue la cohérence temporelle des séquences observées ou générées de la cohérence de l’état du monde sous-jacent. À travers les tâches, les représentations, les modèles, les jeux de données et les référentiels d’évaluation, nous mettons en évidence un déplacement de l’accent, depuis la reconnaissance au niveau des extraits vidéo et la fidélité perceptuelle, vers un état persistant, une évolution contrôlable, la validité physique et causale, ainsi qu’une évaluation ancrée dans l’interaction et les décisions en aval ; nous en dégageons les défis ouverts qui en découlent.