自然语言动作控制
在视频生成过程中接受自由文本动作，随时改变画面走向，而不是只在开头给一次提示词，支持交互式内容生成。
价格官网未标价
平台Web
归类AI 视频生成
收录2026-10-10
复核2026-10-10
编辑评分
4.4 / 5
★★★★☆
Pandora编辑总结
Pandora 是一个迈向通用世界模型（GWM）的尝试，由 Maitrix.org 与 UCSD、MBZUAI 等机构的研究者共同完成。它通过生成视频来模拟世界状态，最大的特点是支持在视频生成过程中用自由文本动作进行随时控制，而不是只在开头给一次提示词。它还能针对同一初始状态生成不同的反事实未来，并把 2D 游戏 Coinrun 中学到的动作迁移到其他没见过的 2D 游戏。此外，借助自回归骨干，它能生成 8 秒视频，而训练视频大多只有 5 秒。官方也坦言，它在画面一致性、复杂场景模拟、常识与物理规律理解、指令跟随方面仍有明显不足。
Pandora是什么？
Pandora 是一个面向通用世界模型（General World Model，GWM）方向的研究项目，由 Maitrix.org 联合 UCSD、MBZUAI 等机构的研究者推出。它想做的事情，是在任意领域里模拟世界的状态变化——具体做法是直接生成视频，并让用户用自然语言表达的动作去操控这段视频。
从官网能确认的现状看，Pandora 的核心能力包括三点：一是接受自由文本动作，在视频生成过程中随时改变画面走向；二是针对同一个初始状态，生成不同的反事实未来；三是覆盖室内与室外、自然与城市、人与机器人、2D 与 3D 等多类场景。它把视频模型和自己研发的自回归骨干结合起来，从而能生成时长更长的视频，官网展示的是 8 秒视频，而训练视频大多不超过 5 秒。
对不同用户来说，它的用法不太一样。普通用户可以把它当作一个可交互的视频生成演示，在官网的影集里感受「输入一句动作、画面随之变化」的效果；研究者和开发者可以顺着论文、GitHub 与 Hugging Face 上的资料，了解它在世界模型与动作控制上的做法，并在此基础上做实验。
Pandora核心功能
反事实未来生成
针对同一个初始状态，用不同动作生成不同的未来画面。官网展示了岩浆喷发、天空变暗、左转遇到白色厢式车、右转遇到红色汽车等多个分支。
跨领域视频模拟
覆盖室内与室外、自然与城市、人与机器人、2D 与 3D 等广泛领域，例如倒牛奶、点燃木柴、吹动树叶、放行交通等场景。
动作跨域迁移
通过高质量数据的指令微调学习动作控制，并迁移到没见过的领域。官网举例说，它只在训练中见过 2D 游戏 Coinrun，却能把学到的动作应用到其他 2D 游戏。
自回归生成长视频
把视频模型与 Pandora 自回归骨干结合，可生成时长更长的视频。官网展示的 8 秒视频，超过了其训练视频大多不超过 5 秒的时长。
影集与资料入口
提供 Gallery 画廊、GitHub、Hugging Face、论文与 Discord 等入口，方便浏览更多视频样例并跟进研究进展。
Pandora适合谁用？
世界模型研究者
推荐公开了论文与技术路线，适合研究通用世界模型与动作控制方向的人跟进。
视频生成爱好者
推荐可以在官网影集里直接看到自然语言动作控制视频的效果，无需部署即可感受能力。
需要稳定成片的创作者
有条件明确说明它可能生成不一致的视频，也难模拟复杂场景，直接用于成片风险较高。
对物理准确性要求高的用户
有条件坦言它在理解常识与物理规律、跟随指令动作方面仍有不足，严谨场景需谨慎。
追求商用级成品的团队
不推荐当前定位是迈向通用世界模型的初步一步，尚不适合当作稳定的商业生产工具。
Pandora优点和缺点
优点
- 支持在视频生成过程中用自由文本动作随时控制
- 同一初始状态可生成多个反事实未来分支
- 覆盖室内外、自然城市、人机、2D 与 3D 等多领域
- 能把 2D 游戏 Coinrun 学到的动作迁移到其他 2D 游戏
- 可生成长达 8 秒的视频，超过训练视频大多不超过 5 秒
- 提供论文、GitHub、Hugging Face 等公开资料入口
缺点
- 明确说明可能生成不一致的视频
- 承认难以模拟复杂场景
- 对常识与物理规律的理解仍然有限
- 跟随指令与动作的能力还有待提升
- 未公开价格与具体使用额度
Pandora常见问题
Pandora 免费吗？多少钱？＋
没有列出收费档位。目前页面主要以项目介绍、演示影集和论文资料为主，提供 Gallery、GitHub、Hugging Face 等入口。是否收费、如何收费，需要以官方页面后续公布的说明为准。
Pandora 现在的主力能力是什么？＋
从看，它的核心能力是接受自由文本动作，在视频生成过程中随时控制画面走向，而不是只在开头给一次提示词。同时它能针对同一初始状态生成不同的反事实未来，并覆盖室内外、自然城市、人机、2D 与 3D 等多类场景。
Pandora 能生成多长的视频？＋
展示的是 8 秒视频。它把视频模型与自回归骨干结合，因此可以生成长度更长的视频，并声称潜在时长不受限制。作为对比，涉及其训练视频大多在 5 秒以内。
它和普通文生视频模型有什么区别？＋
强调，此前的文生视频模型只允许在视频开头给一次文本提示，而 Pandora 允许在生成过程中持续输入自由文本动作来随时引导画面。它把这称为世界模型应有的随时控制能力，用于支持交互式内容生成。
Pandora 有什么明显的短板？＋
设有专门的局限说明：它可能生成不一致的视频，在模拟复杂场景、理解常识与物理规律、跟随指令与动作方面都还有不足。把它描述为迈向通用世界模型的初步一步。
国内能不能用？有什么限制？＋
未说明国内访问情况。目前没有公开发布价格、账号体系或地区可用范围的信息，能否使用、如何使用需以官方页面后续说明为准。
Pandora竞品对比
| 工具 | 编辑评分 | 价格 | 核心功能 | 平台 |
|---|---|---|---|---|
| Pandora本工具 | 4.4 | 未标价 | 自然语言动作控制；反事实未来生成；跨领域视频模拟；动作跨域迁移 | Web |
| The Matrix | — | 未标价 | 开创性的实时、帧级控制的逼真世界模拟技术 | — |
| Luma Ray2 | — | 未标价 | 大规模视频生成模型，可创建逼真视觉效果与自然连贯动作 | — |
| Animatable | — | Basic $20/月（原价 $30），Pro $50/月（原价 $70） | AI 平台将视频转化为动画，支持自定义风格和细节 | Web |
| VideoLLaMA2-7B-16F-Base | — | 未标价 | 大型视频语言模型，用于视觉问答和视频字幕生成 | — |
| VideoLLaMA2-7B-Base | — | 未标价 | 大型视频语言模型，提供视觉问答和视频字幕生成 | — |
