Pandora ist ein Modell, das auf ein universelles Weltmodell hinarbeitet. Es simuliert den Weltzustand durch Videogenerierung und ermöglicht die Steuerung des Videomaterials jederzeit mithilfe von natürlicher Sprache. Im Gegensatz zu bisherigen Text-zu-Video-Modellen erlaubt Pandora die freie Texteingabe von Aktionen während der Videogenerierung, wodurch eine Echtzeit-Steuerung des Videos ermöglicht wird. Diese Echtzeit-Steuerung erfüllt das Versprechen von Weltmodellen, interaktive Inhalte zu generieren und robustere Inferenz und Planung zu ermöglichen. Pandora kann Videos in verschiedenen Bereichen generieren, z. B. Innen-/Außenbereich, Natur-/Stadt, Mensch/Roboter, 2D/3D usw. Darüber hinaus ermöglicht Pandora die Feinabstimmung durch hochwertige Daten, sodass das Modell Aktionen in einem Bereich erlernen und in einem anderen unbekannten Bereich einsetzen kann. Das Pandora-Modell generiert auch längere Videos mithilfe eines autoregressiven Modells, wobei die Länge der generierten Videos die Länge der Trainingsvideos übersteigen kann. Obwohl Pandora als erster Schritt zu einem universellen Weltmodell noch Einschränkungen aufweist, z. B. bei der Generierung konsistenter Videos, der Simulation komplexer Szenarien, dem Verständnis von Allgemeinwissen und physikalischen Gesetzen sowie der Befolgung von Anweisungen/Aktionen, zeigt es ein enormes Potenzial in der Videogenerierung und der Steuerung durch natürliche Sprache.