Pandora是一個向通用世界模型邁進的模型，它能夠通過生成視頻來模擬世界狀態，並允許使用自然語言在任何時間控制視頻內容。Pandora與以往的文本到視頻模型不同，它允許在視頻生成過程中隨時接受自由文本動作輸入，從而實現視頻的即時控制。這種即時控制能力實現了世界模型支持交互式內容生成和增強的健壯推理和規劃的承諾。Pandora能夠跨多個領域生成視頻，如室內/室外、自然/城市、人類/機器人、2D/3D等場景。此外，Pandora還允許通過高質量的數據進行指令調整，使得模型能夠在一個領域學習動作並在另一個未見過的領域中使用。Pandora模型還通過自迴歸模型生成更長的視頻，其生成的視頻長度可以超過訓練視頻的長度。儘管Pandora作為通用世界模型的初步步驟仍有限制，例如在生成一致性視頻、模擬複雜場景、理解常識和物理法則以及遵循指令/動作方面可能會失敗，但它在視頻生成和自然語言控制方面展示了巨大的潛力。