Tác giả độc lập CCORE đã tinh chỉnh mô hình lập trình phiên bản xem trước dựa trên Qwen3.5-4B, có khả năng viết ra một cảnh tương tác 3D bằng Three.js dưới dạng một tệp HTML độc lập từ mô tả văn bản, đã được ghi nhận vào ngày 29 tháng 10. Lần ghi nhận lại này là vì từ ngày 30 tháng 10, phiên bản GGUF đã có thể tiếp nhận hình ảnh tham chiếu: cung cấp cho nó một hình ảnh, nó sẽ viết ra cảnh 3D dựa theo hình ảnh đó.
Tăng hạng 348 · Lượt thích 394 · Lượt tải xuống 29615
Lý do
- Nội dung mới 1: Vào ngày 30 tháng 10, tác giả đã tải lên một tệp chiếu hình ảnh (visual projection) có dung lượng khoảng 644 MiB. Đây chính là tệp mmproj BF16 của phiên bản gốc Qwen3.5-4B, không có thay đổi nào, được lấy từ lmstudio-community. Hai phiên bản lượng tử hóa Q4_K_M và Q8_0 có thể xem hình ảnh sau khi tải tệp này. Ví dụ trong thẻ mô hình là cung cấp một hình ảnh tham chiếu về một hòn đảo cây voxel, với lời nhắc “create this scene using voxels 3d”, mô hình đã viết ra cảnh Three.js tương ứng.
- Nội dung mới 2: Vào ngày 29 tháng 10, tức là sau lần ghi nhận trước, tác giả đã công khai báo cáo kỹ thuật về quá trình huấn luyện dưới dạng PDF. Trọng số safetensors FP16 và bộ dữ liệu huấn luyện gồm 4,146 cảnh (giấy phép MIT) hiện cũng đã được công khai.
- Dung lượng 4B, có thể chạy cục bộ bằng GGUF, giấy phép Apache-2.0.
Cách sử dụng
- llama.cpp: Chạy lệnh 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, sau đó gửi lời nhắc kèm hình ảnh trong WebUI tích hợp sẵn. Tác giả đã kiểm thử với llama.cpp b11889; phiên bản Q8_0 có thể thêm các tham số --cache-type-k q8_0 --cache-type-v q8_0 để tiết kiệm bộ nhớ đệm KV.
- Viết lời nhắc hệ thống (system prompt) theo như trong thẻ mô hình: chỉ sử dụng three.module.min.js của three.js phiên bản 0.160.0 từ cdnjs, không nhập các addon, điều khiển camera được viết trực tiếp trong HTML. Tham số lấy mẫu (sampling) sử dụng temperature 0.6–0.8, top_p 0.90–0.95, top_k 20–40.
- Trong LM Studio, cần tắt tính năng dự đoán đa token (MTP) vốn được bật mặc định.
Rủi ro
- Khả năng xem hình ảnh đến từ bộ chiếu (projector) của phiên bản gốc Qwen3.5-4B, không được huấn luyện thị giác chuyên biệt cho các cảnh 3D. Tác giả cho biết đầu ra là sự hiểu biết về hình ảnh tham chiếu, không phải tái tạo từng chi tiết; chỉ có một ví dụ duy nhất và chỉ được kiểm thử ngắn, chưa có bài kiểm thử áp lực với ngữ cảnh đầy đủ.
- Vẫn là phiên bản xem trước sơ khai, không có bất kỳ điểm chuẩn (benchmark) nào. Token hình ảnh và mã được tạo ra chia sẻ cùng một ngữ cảnh, bộ chiếu còn chiếm thêm bộ nhớ; khả năng xem hình ảnh trên các giao diện người dùng (frontend) khác phụ thuộc vào cách triển khai đa phương thức của riêng chúng.
- Đây là phiên bản tinh chỉnh cá nhân, không phải phiên bản chính thức của Qwen.