三亿六千万参数，假装一台电脑：WorldTUI 与字符网格里的世界模型

你按下一个键，屏幕变了一行。平时，决定这件事的是 shell、内核和一整套你从没见过的代码。在 WorldTUI 里，决定这件事的是一个 3.6 亿参数的小模型——它的后面什么都没有。没有 shell，没有文件系统，没有操作系统。按键进去，它猜屏幕该变成什么样。

它猜得像模像样：vim 能开，tmux 能分屏，Python 能跑，连贪吃蛇都会自己动。

这是 Simon Edwardsson 10 月 21 日发布的项目，灵感来自 DeepMind 的 Genie 3。世界模型的定义从来不在于画面多精美，在于一件事：状态能不能守恒。你在 vim 里改过的文件，退出再 cat，改动还在吗？Genie 3 用无数算力在视频世界里回答这个问题，WorldTUI 把同样的题目缩小到一张 32×96 的字符网格。缩到这么小是有理由的——终端世界的全部状态就摆在屏幕上，训练数据可以从真实 shell 里无限量、完美地生成，对错可以由机器判定。

词表只有 333 个 token

设计里藏着三件小巧思。

模型的输出别按文字流理解，它给出的是屏幕补丁："第 0 行第 17 列，写个 l"，外加光标位置。滚动屏幕用一条 COPY 指令，从上一屏直接抄行，滚屏成本从每行约 96 个 token 降到 3 个。还有一条 WAIT token，专门编码闲置时间——所以蛇不需要你按键也会爬。

整个词表 333 个 token：256 个字节、64 个行号，加几个特殊符。解码器挂着语法约束，保证每一步输出都是合法的屏幕更新，一个越界字符都写不出来。

自己跟自己对答案

训练数据在 Docker 里合成：33.6 万局会话、约 20 亿 token，随机用户名、随机主机名、虚构人格，每局塞 6 到 24 种活动，打字带 1.2% 的错误率，35% 的局从应用中间开始。底座是 Qwen2.5-Coder-0.5B，裁掉多余的 embedding，int4 量化后 208MB，塞进浏览器用 WebGPU 跑。

单纯模仿训练（SFT）撑不住。错误会复利：第 10 步猜错一个字符，第 11 步就在错误的屏幕上继续猜。解法是 DAgger 式自纠错——让模型自己玩，对照真实屏幕，只修"从已有真实信息可以推断"的错误。最后这个限定词是关键，修不了的错误硬学，等于奖励幻觉。三轮下来，PresetBench 从 24/47 抬到 38/47。全部成本：一块 RTX 4090，75 个 GPU 小时。

文件系统住在第 7 层

最漂亮的结果是一个解剖发现。只砍掉第 7 层，模型预测下一个 token 的准确率从 99.3% 掉到 98.9%——几乎没动静；但文件回读测试从 64/64 直接归零。也就是说，"这台电脑记得你写过什么"这件事，整个住在第 7 层里。

他们试着把这个能力蒸馏进小模型：保留第 1、7、15、22 层的 16 层学生网络，回读照样 64/64 全对，压到 4-bit 只有 138MB；换个层数组合，输出看着流畅，回读只剩 31/64——等于瞎蒙。蒸馏随后被放弃，因为 ShellBench 从 78 分掉到 65 分。

边界与算盘

边界要摆清楚。这不是一个可靠的文件系统：没见过的命令组合会穿帮，append 进去的行偶尔 cat 不出来，嵌套目录会让它迷路；Python 只会简单题，训练容器里没有网，复杂的库调用会幻觉出 GPT-3 时代画风的答案。

但这个项目的真正价值不在产品，在试验台。世界模型研究者第一次拿到一个 75 个 GPU 小时就能复现、每个错误都能机器判定的沙盘——"状态守恒"这个悬在空中的词，被拆成了 64/64 这样的硬数字。作者自己列的下一步是扩散式屏幕更新。值得盯的是这条路线的推论：如果 360M 就能守住一张终端，什么规模的模型能守住一张驾驶舱？

信源与限定：本文全部技术细节出自作者博客（simedw.com，2026-10-21）；各项得分为作者自测口径，PresetBench 与 ShellBench 均为其自建或改编基准；层 7 实验为消融实验单例，样本量以其文中为准；项目未经同行评审。

参考

• Simon Edwardsson：WorldTUI — I trained a 360M model to pretend to be a terminal（2026-10-21）
• Hacker News 讨论串，item 50190363（609 分）