交互式游戏世界模型通常直接在像素或潜空间中自回归生成画面，角色姿态、空间几何和遮挡关系都要由同一生成序列隐式记住。Marionette选择把这些职责拆开：神经网络预测世界如何变化，固定渲染器负责精确几何，视频扩散模型则专注于外观合成。
三层流水线明确分工
系统首先通过两阶段自回归动力学模型，预测一个276维、可解释的三维世界状态。该状态包含多个实体的关节骨架、具有度量意义的根节点轨迹以及旋转信息。相比直接生成下一帧，这一层试图先回答角色在哪里、姿态如何，以及实体之间怎样运动。
随后，零参数的图形桥接模块把预测状态转换成姿态控制视频。世界坐标中的几何关系与遮挡由闭式计算完成，不需要神经网络在训练中自行学会近似。最后，带控制条件的视频扩散观察模型根据这些结构化控制信号生成写实RGB画面。这样的划分把动力学、几何和视觉外观分配给不同组件，也让中间状态能够被检查和修改。
可控性来自显式状态
论文报告的一项实验是向模型强制输入不匹配的动作序列，并在48个留出片段上观察结果；根节点对齐后的关节误差变化了31%。这说明动作输入能够实质性改变预测状态，而不是被视觉生成过程忽略。
作者还强调，长时行为由状态层决定，因此漂移可以直接在状态中修复，再继续渲染后续画面。这比仅在像素层纠错更容易定位问题。不过给定摘要在第二项实验结果处截断，无法据此判断长时漂移的完整数值、修复幅度及视觉质量代价。
我的判断
Marionette的价值不在于提出更大的视频生成器，而在于把游戏世界模型重新工程化：可解释状态承担动力学，传统图形计算保证几何，扩散模型处理难以显式建模的外观。它适合有关节角色、动作控制和空间约束明确的交互场景，也有利于调试与人工干预。
边界同样清楚：显式骨架和预设状态表示可能难以覆盖柔体、破坏、复杂物体交互或开放世界中的任意实体。当前材料也不足以比较其画质、推理成本和整体交互性能。它更像一条值得验证的架构路线，而不是已经证明可普遍替代端到端世界模型的结论。