WorldTUI：3.6 亿参数的小模型在浏览器里「扮演」终端

作者介绍了 WorldTUI：他微调了一个 3.6 亿参数的语言模型，让它充当终端。模型背后没有真实的 shell 和文件系统，每次按键输入后，由模型预测屏幕如何变化。作者称，它能新建文件、运行 vim 和 tmux、玩贪吃蛇，并且通常记得几条命令前写入的内容。

模型怎么看终端

作者说，他受到 Genie 3 世界模型的启发，但没有大型 GPU 集群，于是把目标缩小为由字符网格组成的终端。模型以 Qwen2.5-Coder-0.5B 为底座，训练数据是在 Docker 容器中录制的真实终端会话，共 33.6 万段，约 20 亿 token。

模型输出的不是整屏文字，而是要改写的行和光标位置，滚屏用 COPY 操作处理。词表仅 333 个 token，包括 256 个字节 token、64 个行 token 和少量特殊操作。

提速与训练开销

为了加快速度，作者让各行并行生成，再由同一个模型顺序校验，也就是推测解码。以下数据均出自作者博客：

• RTX 4090 上，采用各行并行生成后，大画面的 p95 延迟从 6.7 秒降到 0.87 秒。
• 在他的 M4 Mac 浏览器里，输入单个字符约 60 毫秒。
• man test 这类较大的更新，顺序生成需要 2.5 秒，并行草稿加校验为 0.9 秒。
• 模型训练及后续改进共用约 75 个 RTX 4090 GPU 小时。

自测成绩与局限

据作者自测，ShellBench 共 106 条命令，WorldTUI 答对 80 条，直接提示的 Qwen2.5-Coder-0.5B 为 52 条，Qwen3-0.6B 为 60 条。文件回读共 13 次，WorldTUI 为 9 次，两个对照模型分别为 2 次和 3 次。

作者也承认模型还不可靠：

• 执行 echo green >> colors 之后，cat colors 常常看不到追加的行。
• 复杂的 Python 输出，让他想起 GPT-3 时代的幻觉。
• 创建嵌套目录时，可能突然跑到别的路径。

在浏览器里本地运行

裁剪词表后，模型从约 494M 参数降到约 360M（990 MB 降到 716 MB）；再做 int4 量化，体积为 208 MB。浏览器演示基于 WebGPU，推理全部在本地标签页中完成。

作者称，Chrome 或 Edge 最适合试用；Firefox 上的演示约慢 20 倍，原因他尚未查明。模型权重将稍后公布。

作者在文末写道，这个项目「Is it useful? Not really.」，但对一个 360M 参数、跑在浏览器标签页里的模型来说，效果比他预期的好得多。

来源

• https://simedw.com/2026/10/21/world-model-terminal/