World Model Applications 关注 learned environment model 如何支持 simulation、planning、policy learning 和 long-horizon task execution。重点不是模型能否生成逼真的未来画面，而是预测是否能够改善 action selection 和环境中的最终结果。
Application Path
learned dynamics
-> imagined trajectories
-> planning or policy update
-> real environment action
-> feedback and model refinement任务范围
- game、robotics 和 simulated control；
- GUI、web 和 software environment 中的长程交互；
- action-conditioned video / state prediction；
- model-based RL 和 imagination-based policy learning；
- environment generalization、uncertainty 和 failure recovery。
评测关注
评测应分层进行：先看 observation / state / reward prediction，再看短时域和长时域 planning，最后看真实环境中的 task success、sample efficiency、robustness 和 transfer。