独立作者のCCOREがQwen3.5-4Bをファインチューニングしたプレビュー版のプログラミングモデル。テキストの説明に基づき、自己完結型のHTMLファイルとしてThree.jsインタラクティブ3Dシーンを作成します。10月29日にすでに収録済みです。今回再収録したのは、10月30日からGGUF版が参考画像を受け付けられるようになったためです。画像を渡すと、それに基づいて3Dシーンを記述します。
上昇スコア 348 · いいね 394 · ダウンロード数 29615
理由
- 新コンテンツ1：作者は10月30日に、約644 MiBのビジョンプロジェクションファイルをアップロードしました。これはlmstudio-communityから取得した、変更を加えていない元のQwen3.5-4BのBF16 mmprojです。Q4_K_MおよびQ8_0の2つの量子化バージョンでこれを読み込むと、画像を認識できるようになります。カード内の例では、ボクセルツリーの島の参考画像を提示し、「create this scene using voxels 3d」と指示すると、モデルは対応するThree.jsシーンを記述しました。
- 新コンテンツ2：10月29日、つまり前回の収録後に、作者は訓練技術レポートのPDFを公開しました。FP16 safetensors重みと4,146個のシーンの訓練データセット（MITライセンス）も現在公開されています。
- 4Bのパラメータ規模で、GGUF形式によりローカルで実行可能、ライセンスはApache-2.0です。
使い方
- llama.cpp：
llama-server -m Qwen3.5-4B-3D-Coder-Q4\_K\_M.gguf --mmproj mmproj-Qwen3.5-4B-BF16.gguf --n-gpu-layers all --flash-attn on --ctx-size 65536を実行し、同梱のWebUIで画像を添付してプロンプトを送信します。作者はllama.cpp b11889でテスト済みです。Q8_0では、--cache-type-k q8\_0 --cache-type-v q8\_0を追加することでKVキャッシュを節約できます。 - システムプロンプトはカードに記載されている通りです：cdnjs上のthree.js 0.160.0の
three.module.min.jsのみを使用し、アドオンはインポートせず、カメラ制御はHTML内に直接記述します。サンプリングはtemperature 0.6–0.8、top_p 0.90–0.95、top_k 20–40を使用します。 - LM Studioでは、デフォルトで有効になっているマルチトークン予測（MTP）を無効にする必要があります。
リスク
- 画像認識機能は元のQwen3.5-4Bのプロジェクターに由来しており、3Dシーン向けに特化した視覚訓練は行っていません。作者によれば、出力は参考画像の理解に基づいており、細部まで完全に再現するわけではありません。例は1つだけで、短いテストのみ実施され、フルコンテキストでの負荷テストは行っていません。
- まだ初期プレビュー段階であり、ベンチマークスコアはありません。画像トークンと生成コードがコンテキストを共有し、プロジェクターは追加のメモリを消費します。他のフロントエンドで画像を認識できるかどうかは、それぞれのマルチモーダル実装に依存します。
- 個人によるファインチューニングであり、Qwen公式バージョンではありません。