Pandora:根據(jù)自然語言指令生成動(dòng)作和視頻的通用世界模型

　　Pandora 是一個(gè)研究通用世界模型(GWM)的重要進(jìn)展，其目標(biāo)是通過生成視頻來模擬任何領(lǐng)域的世界狀態(tài)，并提供自然語言的實(shí)時(shí)控制。

　　與之前的文本到視頻模型不同，Pandora 可以接受自由文本的動(dòng)作輸入，實(shí)現(xiàn)在視頻生成過程中對(duì)視頻內(nèi)容的實(shí)時(shí)控制。這種實(shí)時(shí)控制的能力實(shí)現(xiàn)了世界模型的互動(dòng)內(nèi)容生成承諾，并增強(qiáng)了強(qiáng)大的推理和規(guī)劃能力。比如生成視頻的過程中，用戶可以輸入指令如“讓汽車向左轉(zhuǎn)彎轉(zhuǎn)”、“汽車前方發(fā)生爆炸事故”，Pandora 會(huì)即時(shí)地根據(jù)這些指令調(diào)整視頻內(nèi)容，實(shí)現(xiàn)動(dòng)態(tài)控制。

　　Pandora 還能夠生成基于相同初始狀態(tài)但不同動(dòng)作的多個(gè)替代未來的視頻。用戶可以通過輸入不同的動(dòng)作來控制視頻的發(fā)展方向，實(shí)現(xiàn)對(duì)未來的自主控制。這種能力使得世界模型不再只是模擬替代未來，而是能夠真正實(shí)現(xiàn)對(duì)未來的控制。

　　Pandora 能夠在各種通用領(lǐng)域生成視頻，包括室內(nèi) / 室外、自然 / 城市、人類 / 機(jī)器、2D/3D 等場(chǎng)景。通過使用高質(zhì)量數(shù)據(jù)進(jìn)行指導(dǎo)和訓(xùn)練，模型可以學(xué)習(xí)有效的動(dòng)作控制，并在不同領(lǐng)域中實(shí)現(xiàn)遷移學(xué)習(xí)。例如，Pandora 在訓(xùn)練時(shí)只接觸過2D 游戲 Coinrun，但可以無縫地將學(xué)到的動(dòng)作應(yīng)用于其他2D 游戲。

　　Pandora 將視頻模型與自主生成的 Pandora 背骨結(jié)合在一起，可以生成更長的視頻，甚至可以達(dá)到無限長度。通過這種結(jié)合，Pandora 能夠生成長達(dá)8秒的視頻，即使訓(xùn)練時(shí)的視頻長度最多只有5秒。

　　然而，作為通向 GWM 的初步步驟，Pandora 仍然存在一些限制。它可能無法生成一致的視頻，模擬復(fù)雜場(chǎng)景，理解常識(shí)和物理定律，以及遵循指令 / 動(dòng)作。

　　Pandora 是通向通用世界模型的重要一步，它通過自然語言動(dòng)作和視頻狀態(tài)的模擬生成，實(shí)現(xiàn)了對(duì)未來的自主控制，為交互式內(nèi)容生成、強(qiáng)大的推理和規(guī)劃能力提供了支持。