你在浏览器里打开一个黑底绿字的命令行窗口，敲下 ls 能看目录，打开 vim 能改文件，甚至还能调出 tmux 分屏或玩一把贪吃蛇。但在整个系统底层，既没有 Linux 内核，也没有虚拟文件系统，甚至连一行真正的 Shell 代码都没在跑。
开发者 Simon Edwardsson 近日发布的实验项目 WorldTUI，把开源代码小模型 Qwen2.5-Coder-0.5B 裁剪重构成了一个仅 360M 参数的模型。经过 INT4 量化后，权重文件缩减到 208 MB，通过 WebGPU 直接在桌面浏览器里实时推演每一次按键后的字符变化。这并不是用提示词让语言模型陪你演戏，而是一个运行在离散字符网格上的微型世界模型。它验证了软件界面可以用神经网络预测出来，却也同时暴露出概率模型在面对绝对确定性逻辑时无法掩盖的硬伤。
撕掉内核：把终端降维成 333 个 Token 的网格补丁
长期以来，大家尝试用大语言模型模拟系统环境，通常遵循标准自回归模式：用户敲一串字符，模型在后方追加一串文本。这种单向数据流对传统命令行勉强够用，可一旦遇上全屏文本界面便彻底失效。当你在终端里输入 clear，光标需要瞬间回到左上角并清空整屏；在 vim 中按一次 ESC，没有产生任何字符追加，屏幕底部的编辑模式提示却必须消失。
Edwardsson 放弃了流式文本生成思路，把终端抽象为一个由行列构成的二维字符网格。模型不再预测一篇文章，而是预测每一次击键造成的屏幕增量补丁。输入是原始字节流，输出是修改哪一行、从第几列开始重绘以及光标的最新坐标。
为了让体积压到极致，原始模型的 151,936 个庞大词表被暴力剔除，仅保留 333 个 Token，包括 256 个基础字节、64 个行标识以及少数控制符。如此一来，光是嵌入层就直接减重约 1.36 亿参数。面对终端滚动一屏需要重新生成约 3,000 个 Token 的瓶颈，作者设计了 COPY 算子，只用几个 Token 声明上一帧的行上移，直接消解了整屏刷新的计算开销。
75 小时炼丹与行级推测：榨干消费级显卡的性能极限
在真实世界运行终端很容易，但要让一个 360M 参数的小模型学会这一切，依赖的是极其精巧的工程编排。训练数据由自动化脚本驱动真实 Docker 容器生成，共记录了 336,000 个 终端会话，覆盖约 20 亿 Token。其中特别加入了 1.2% 的敲击拼写错误，以及专门模拟程序自主运行的等待时钟。
最关键的突破发生在解决误差累积上。早期模型敲几个单词就会因为一个小拼写错误导致全盘逻辑崩溃。Edwardsson 引入类似模仿学习算法 DAgger 的三轮自我修复训练，在模型产生轻微偏差时提供矫正帧，强制其在下一次击键时学会自愈。
为了达到可交互的流畅度，推理阶段采用行并行推测解码。既然一帧画面里的绝大部分行互不干扰，模型便并发起草所有行的内容，再由自身在单次前向传播中快速比对验证。在 RTX 4090 上，全屏重绘的 p95 延迟从 6.7 秒直降至 0.87 秒；而在苹果 M4 芯片的浏览器环境内，重绘耗时也从 2.5 秒压缩到 0.9 秒。
- 结论.利用特定任务的通信约束剪裁词表与并行验证，可以在端侧设备上把极小模型的交互延迟压缩到实用区间。
概率与算符的鸿沟：9/13 的持久性困境
WorldTUI 展现的惊艳感很容易让人产生一种错觉：操作系统是否真能被神经网络全面接管？当我们在 ShellBench 测试中看到它拿到 80/106 的高分时，似乎离真实环境已经很近，但这恰恰是技术认知上最危险的盲区。
在纯粹考查记忆持久性的文件回读测试中，WorldTUI 仅取得了 9/13 的正确率。只要用户执行稍微复杂的组合指令，比如通过 echo green >> colors 追加一行内容，模型往往能在当下输出正确的命令提示，但在随后的 cat colors 中，那行刚刚写进去的文本却极易人间蒸发。
| 测试维度 | Qwen2.5-Coder-0.5B (Prompt) | Qwen3-0.6B (Prompt) | WorldTUI (360M 微调) | 判定与缺陷 |
|---|---|---|---|---|
| ShellBench 命令测试 | 52 / 106 | 60 / 106 | 80 / 106 | 常用指令拟合极佳 |
| 文件回读一致性 | 2 / 13 | 3 / 13 | 9 / 13 | 缺乏真实状态机保障 |
| 极端指令与未知输入 | 无法稳定渲染字符网格 | 无法稳定渲染字符网格 | 产生非真实交互伪造 | 输入非标准词汇即穿帮 |
在真实的计算架构中，写入文件是晶体管在介质上改变物理电荷的绝对动作，而 WorldTUI 的文件系统只存在于浮点数权重的概率分布里。如果在测试中故意敲下一个不存在的拼写错误（例如 pythoon），没有内核防护的系统无法抛出真实的底层异常，它的所有合理反应，都建立在用户行为不超出训练集分布的前提之下。
神经网络能完美描摹一个正在运行的世界，却给不出哪怕一个字节的存储保证。
此外，技术实现背后还隐藏着不可忽视的工程代价。虽然静态量化模型下载体积仅为 208 MB，但为了保证数值稳定，浏览器推演时的动态激活值和 KV Cache 依旧采用 FP32 浮点精度。这导致运行时的真实显存与内存开销远高于下载包大小，在移动端浏览器上运行依然缓慢。更关键的是，作者目前仅开放了网页端体验，训练权重与具体复现仓库尚未完全开源，其实际泛化边界仍有待压力测试。
- 提醒.神经模拟终端适合用于沙箱诱捕或轻量交互演示，绝不可作为要求状态强一致的生产依赖。
WorldTUI 并不是传统计算架构的替代者。它证明了从 DeepMind 的 Genie 3 衍生而来的世界模型思路，完全可以用极其克制的资源落地到离散字符系统。但它那 9/13 的记忆通过率也为整个行业划出了一道清晰的红线：软件界面的皮囊可以用概率去学，但系统的确定性骨架，终究还得交还给代码。