Pandora es un modelo que se acerca a un modelo de mundo generalizado, capaz de simular el estado del mundo mediante la generación de vídeo y permitir el control del contenido del vídeo en cualquier momento mediante lenguaje natural. A diferencia de los modelos anteriores de texto a vídeo, Pandora permite la entrada de acciones de texto libre durante la generación de vídeo, permitiendo así el control en tiempo real del vídeo. Esta capacidad de control en tiempo real cumple la promesa de los modelos de mundo que admiten la generación de contenido interactivo y la inferencia y planificación más robustas. Pandora puede generar vídeos en múltiples dominios, como escenarios de interior/exterior, naturaleza/ciudad, humanos/robots, 2D/3D, etc. Además, Pandora permite el ajuste de instrucciones con datos de alta calidad, lo que permite que el modelo aprenda acciones en un dominio y las utilice en otro dominio desconocido. El modelo Pandora también genera vídeos más largos mediante un modelo autorregresivo, siendo capaz de generar vídeos que superan la longitud de los vídeos de entrenamiento. Aunque Pandora, como paso inicial hacia un modelo de mundo generalizado, aún tiene limitaciones, como la posibilidad de fallar en la generación de vídeos coherentes, simular escenas complejas, comprender el sentido común y las leyes físicas, o seguir instrucciones/acciones, muestra un enorme potencial en la generación de vídeo y el control mediante lenguaje natural.