视频基础模型在视觉序列的理解与生成方面已取得迅猛进展，而视频世界模型则致力于捕捉其所表征世界的内在动态规律。尽管二者目标不同，但均聚焦于视频观测与持续演化的世界之间的关系。本综述以“世界建模”为统一视角，系统梳理和审视这一领域的发展脉络。我们将所观测的视频视为潜在时序世界的一种部分性、有损性且按时间顺序排列的投影，并据此将相关文献围绕四项互补性操作进行组织：**读取（reading）**——从观测视频中推断世界属性；**书写（writing）**——依据指定或习得的世界条件合成视频；**共享（sharing）**——通过共用的建模范式，实现对世界理解与视频生成能力的有机融合；**交互（interacting）**——在施加动作及持续接收新观测的前提下，预测并更新世界状态。这一视角明确区分了观测或生成序列所体现的**时间连贯性（temporal coherence）**与潜在世界状态所要求的**一致性（consistency）**。我们进一步从任务类型、表征形式、模型架构、数据集及评测基准等多个维度出发，系统梳理研究重心的演进趋势：即由早期关注片段级识别（clip-level recognition）与感知保真度（perceptual fidelity），逐步转向强调持久性世界状态（persistent state）、可控的动态演化（controllable evolution）、符合物理规律与因果逻辑的有效性（physical and causal validity），以及以交互过程和下游决策为根基的评估范式（evaluation grounded in interaction and downstream decisions）。最后，我们凝练出该领域当前亟待突破的关键挑战。
