10 月 27 日那个检查点，把「一次生成成功」从碰运气变成了常态

10 月 27 日那个检查点把「一次生成成功」从碰运气变成了常态做 3D 代码生成这件事评估口径很容易跑偏。社区里几乎所有的讨论都停留在“这图好看不好看”“这次生成的樱花树有没有氛围”——但对于一个输出「单文件 HTML 内联 JavaScript 远程加载 Three.js」的模型来说好看只是必要条件能不能一次跑通才是可用性本身。仓库 README.md 在 10 月 27 日检查点这一节里给出的恰恰是这句最不像营销话、也最难造假的表述一次生成成功率one-shot success显著提升场景整体质量同步提升部分场景仍需重试。没有百分比没有 benchmark只有一张罗马场景在 10 月 25、26、27 三个预览版本下的对比图。这篇就围绕这个检查点把三件事讲清楚为什么“一次成型率”是这类任务唯一诚实的指标仓库里有哪些可验证的差异证据以及怎么用仓库自带的参数在你自己的机器上把这个数字量出来——顺便说清“一次成型之后剩下的活到底还有多少”。一、“一次成型”为什么比“平均质量”更重要Three.js 场景生成是一个**全或无all-or-nothing**的产物形态这一点由交付方式决定而不是由模型决定产物是一个自包含 HTML 文件用户双击就打开。没有编译期没有类型检查没有任何机会在“出错之前”拦住问题错误被完整推迟到运行时。一个拼错的变量名、一个没定义的THREE.Something、一次addons导入失败浏览器不会给你降级方案你得到的就是一块黑屏或一片空白渲染循环里一旦抛异常并中断requestAnimationFrame链画面会冻结在第一帧连“部分可见”的安慰都没有。这就意味着并不存在“70 分作品”这种东西。一个平均观感 90 分、但每三次有一次黑屏的模型实际可用性远低于平均观感 80 分、但十次十次能跑起来的模型。而“平均质量”这个指标会严重掩盖这一点因为它把黑屏排除在统计之外了。成本结构也在推同一个方向。按 README.md 的系统提示与示例提示词模型输出的是一个包含完整场景构建代码、光照、相机与交互逻辑的文件训练数据的每条样本还带完整 thinking trace数据集共 4,146 条3,933 训练 / 213 验证。也就是说一次采样是重成本重试是成倍的重成本而人工修正的成本最高——你得先读懂它的变量命名习惯才能改对。所以取pass1单次采样成功率而不是passk不是学术洁癖而是生产口径。二、检查点前后的可观测差异以及仓库里能查到的证据先看 README 原文说了什么这决定了哪些结论能说、哪些不能说项目10 月 27 日检查点后的状态权重覆盖范围Q4_K_M与Q8_0两个 GGUF 均包含更新后的检查点旧版本需重新下载一次成功率“improved substantially”显著提升场景整体质量同步提升残余问题部分场景仍可能需要重试或修正生成参数保持不变顺带修复部分用户反馈的“层级相关”问题layer-related issue其中最有信息量的一行是“生成参数保持不变”。这句话排除了一个最常见的误判提升不是靠调采样换来的。temperature、top-p、top-k、repeat penalty 在检查点前后完全一致所以行为差异只能来自权重本身。这比任何“我们优化了解码策略”的说法都更可信因为它可被外部证伪——你自己拿旧文件和新文件跑同一组提示词就能看到。第二个证据是罗马场景的三日对比图它把“质量演化”做成了同一提示词、同一视角下的横向切片这里有个容易被忽略的细节值得单独点出来README 里画廊的十张成品图并不是 10 月 27 日之后的产物。这十张图在仓库里以 SVG 形式内联了原始 PNGPNG 的tEXtCreation Time元数据写得很清楚——九张拍摄于 2026 年 10 月 25 日 02:11–02:35-03 时区日落村庄那张更早是 10 月 23 日 16:14。也就是说画廊证明的是检查点之前的质量下限已经可用它不能用来支撑“10 月 27 日之后更好”这个论断——那个论断只有roma3.png和 README 的定性描述在支撑。这个区分很重要一个认真的技术判断必须知道自己在引用哪一段证据。三、把一次成型率量出来直接沿用生产线参数官方没有公布数字所以这件事只能自己做。好消息是仓库把该固定的一切都固定下来了你只需要搭一个最小抽样台。第一步锁定参数。参数直接抄 generation_config.json不要自己发明参数仓库默认值备注do_sampletrue默认就是采样不是贪心temperature0.6README 接受区间 0.6–0.8top_p0.95README 接受区间 0.90–0.95top_k20README 接受区间 20–40repetition_penalty1.0即关闭重复惩罚不要“顺手加一点”eos_token_id[248046, 248044]两个终止符这里有两个坑必须提前说明否则你的统计会统计到运行时而不是模型repetition_penalty是 1.0也就是不启用。很多本地推理前端会自作主张给代码任务设 1.05–1.1。对自然语言这是去重对长代码文件这是改名机——它会把重复出现的box、mesh、group惩罚成box2、meshB直接制造出 README「Known issues」里点名的那类重复/错位变量。统计一次成型率时把它固定为 1.0。eos_token_id是两个 token。如果你的运行时只在一个终止符上停输出会多吐一段或者把|endoftext|之后的残片一起塞进 HTML。script之后多出来的东西里只要有一个非法字符页面就整块挂掉——这是harness 的 bug不是模型的 bug。第二步固定提示词与种子。用 README 里现成的系统提示它本身就是最强的结构约束Use only the Three.js core ES module from https://cdnjs.cloudflare.com/ajax/libs/three.js/0.160.0/three.module.min.js. Do not import addons or legacy examples/js paths; implement any camera controls directly inside the HTML.然后是采样脚本。下面这段跑在 LM Studio / llama.cpp 的 OpenAI 兼容端点上同一提示词 × 不同 seed输出全部落盘# sample_once.py —— 固定参数只让 seed 变化 import json, pathlib, requests SYSTEM open(prompt/system.txt).read().strip() OUT pathlib.Path(samples); OUT.mkdir(exist_okTrue) def gen(tag, prompt, seed): r requests.post(http://127.0.0.1:1234/v1/chat/completions, json{ model: qwen3.5-4b-3d-coder, messages: [ {role: system, content: SYSTEM}, {role: user, content: prompt}, ], temperature: 0.6, top_p: 0.95, top_k: 20, repeat_penalty: 1.0, seed: seed, max_tokens: 16384, }, timeout600).json() text r[choices][0][message][content] # 模型偶尔仍会带 markdown 围栏剥掉后再当作 HTML 使用 if text.lstrip().startswith(): text text.lstrip().split(\n, 1)[1].rsplit(, 1)[0] (OUT / f{tag}-seed{seed}.html).write_text(text, encodingutf-8) return len(text) PROMPTS { canal: open(prompt/canal-lock.txt).read(), atc: open(prompt/atc-tower.txt).read(), aerie: open(prompt/dragonrider-aerie.txt).read(), } for tag, p in PROMPTS.items(): for seed in range(1, 6): print(tag, seed, gen(tag, p, seed))第三步判定。判“成功”不能靠肉眼看截图否则你又会滑回主观评分。三个客观条件同时满足才算通过没有pageerror没有console.errorTHREE.WebGLRenderer: Context Lost、xxx is not defined都会在这里露出来页面里存在canvas且尺寸非零画面不是纯色。用 Puppeteer 直接对 canvas 元素截图再统计颜色多样性——纯黑屏和“只画清屏色”的失败样例会在这里被一键筛掉。// check.js —— 对 canvas 截图做颜色多样性统计 const puppeteer require(puppeteer); const sharp require(sharp); async function check(file) { const browser await puppeteer.launch({args: [--use-glswiftshader]}); const page await browser.newPage(); const errors []; page.on(pageerror, e errors.push(e.message)); page.on(console, m m.type() error errors.push(m.text())); await page.setViewport({width: 1280, height: 800}); await page.goto(file:// file); await new Promise(r setTimeout(r, 4000)); // 等待首帧与贴图/几何构建完成 const el await page.$(canvas); if (!el) { await browser.close(); return {ok: false, why: no canvas}; } const {data, info} await sharp(await el.screenshot()) .resize(160, 100).raw().toBuffer({resolveWithObject: true}); const uniq new Set(); for (let i 0; i data.length; i info.channels * 4) { // 抽稀 uniq.add((data[i] 16) | (data[i 1] 8) | data[i 2]); } await browser.close(); const ok errors.length 0 uniq.size 64; // 阈值按场景复杂度调 return {ok, why: errors[0] || uniq${uniq.size}}; }把 15 个样本的ok加起来除以 15就是这一次运行的pass1。关键在于同一批提示词、同一批 seed、同一套参数分别在旧检查点和新检查点上各跑一遍——只有这样你得到的才是“检查点差异”而不是“我这次心情好提示词写得更细”。顺带一个必须记住的开关LM Studio 里要关掉 multi-token predictionMTP。README 已经用加粗标了这条但它给的是结论不是原因。原因在仓库文件里我们留到第五节说。四、一次成型之后剩下的活还有多少README 的「Known issues」只有一句话但信息量极大The bugs observed so far have generally involved duplicate variable names, rather than major structural problems.翻译成工程语言失败模式集中在“局部命名冲突”而不是“结构建错”。这句话决定了返工的性质——你拿到的不是一堆需要重画的几何体而是一份骨架正确、只需改几行的代码。这也是为什么“一次成型率”一旦上来整体体验会产生质变剩下的工作从“重新生成”变成了“修三行”。但为什么一个专门训练的模型会反复栽在变量名上把系统提示和交付形态放在一起看答案是结构性的禁止 addons、禁止旧版examples/js路径意味着相机控制、轨道交互都得在同一个文件里手写。手写就意味着大量let/const声明挤在同一个顶层作用域里自包含单文件意味着不能拆模块、不能用命名空间隔离所有函数共享一个巨大的作用域场景规模大针脚阵列、斗拱、栏杆立柱这类重复结构天然需要循环与工厂函数意味着命名空间会被反复使用。三者叠加就是「作用域膨胀 × 长上下文」。所以这类 bug 不是模型不够聪明而是交付形态本身在惩罚命名。这也解释了一个看起来矛盾的现象细节密度已经相当高的场景比如前面那张插槽图可以一次生成成功而结构更简单的场景偶尔会因为一个重名的group直接黑屏。在这个认知下“剩下的活”可以分成四类代价差别很大类别典型症状处理方式代价阻塞级运行时错误xxx is not defined、重复声明、黑屏改一两行重跑低但必须有人看一眼约束违规偷偷 import 了 addons / examples 路径删掉并补手写控制逻辑中可能牵动相机视觉级缺陷光照平、材质糊、构图拥挤调提示词布局段落写细中需重新采样性能级缺陷几何体数量爆炸导致帧率崩合并几何、减少 draw call高建议人工重写该段换句话说10 月 27 日那个检查点解决的是第一类的发生率而不是把四类全清了。README 那句“some scenes can still require another attempt or a correction”就是这个意思而且它诚实地把“重试”和“修正”并列了——这两种成本本来就不是一回事。五、一个 4B 凭什么撑住长文件配置里的几个数字打开 config.json能读到比模型卡更有意思的东西。先看总量metadata: { total_parameters: 4539265536, total_size: 9078531072 }来自 model.safetensors.index.json。四点五亿不是 45.39 亿参数、9.08 GBFP16分四个分片。所以名字里的“4B”是基座规格实际含视觉塔后是 4.54B——这个差异在你算显存预算时会体现出来。再看层结构这是它能吃下长文件的关键32 层其中 24 层是linear_attention只有 8 层是full_attentionfull_attention_interval: 4也就是每四层插一个全注意力层。权重索引里的计数完全对得上linear_attn张量 216 个24 层 × 9self_attn48 个8 层 × 6。全注意力层是num_attention_heads: 16/num_key_value_heads: 44:1 的 GQAhead_dim: 256。partial_rotary_factor: 0.25只有四分之一的维度加旋转位置编码mrope_interleaved: truemrope_section: [11, 11, 10]——这是多模态基座留下的时间/高/宽三分位置编码在文本代码任务里主要退化为普通位置信号。max_position_embeddings: 262144即 256K。算一笔账每 token 每层 KV 是2 × 4 × 256 × 2B 4 KB只有 8 个全注意力层需要缓存所以每 token 约 32 KB。跑满 256K 上下文理论上要 8 GiB KV——对一个 9 GB 的 FP16 权重来说这仍然不便宜但相比 32 层全注意力每 token 128 KB、满配 32 GiB已经是数量级的差别。这就是“24 层线性注意力”在长代码生成场景里的真实价值它让“一次吐完一个几千行的场景文件”在消费级硬件上成为可能而不是一个理论指标。然后是那个 MTP 陷阱的根因。text_config里明明白白写着mtp_num_hidden_layers: 1, mtp_use_dedicated_embeddings: false但把 353 146 146 78 个张量名全过一遍没有任何一个以mtp开头的键。也就是说配置声明了 MTP 分支、权重文件里却没有对应的参数。运行时如果按 config 去实例化这一层并启用多 token 预测它拿不到权重行为就退化为乱码、截断或直接无响应。社区里流传的“LM Studio 必须关 MTP”因此不是一个玄学偏方而是配置与权重不一致时的必然结果而且它和量化格式Q4_K_M/Q8_0毫无关系——两个 GGUF 都会中招因为它们源自同一份权重与同一份配置。同理如果你用transformers自己搭推理看到architectures是Qwen3_5ForConditionalGeneration一个条件生成类也别急着去找 MTP 的加载逻辑——按 generation_config.json 的默认值走反而最稳。六、把“一次成型”变成常态的操作清单把上面所有事实收敛成一份可以直接照做的清单参数照抄不要发明。temperature 0.6、top_p 0.95、top_k 20、repetition_penalty 1.0。想探索就把 0.6–0.8 / 0.90–0.95 / 20–40 当区间别把 repeat penalty 调到 1.05 以上。关掉 MTP。无论 LM Studio 还是自建服务只要你的运行时认 config 里的mtp_num_hidden_layers就得关。这是配置与权重不一致导致的不是模型缺陷。系统提示保持那两句不动。锁死 Three.js 0.160.0 核心 ES 模块、禁止 addons、控制逻辑写在 HTML 内。它不是风格建议而是把“import 失败”这一类整屏黑从可能性里删掉。用户提示按“主题 布局关系 渲染风格”三段写。README 的示例就是这个套路的范本——先给对象再把空间关系写成可执行的约束“a broad sheltered yard connects water, shade, and feeding areas through accessible paths”最后统一收口到渲染语言“a deliberate 3D voxel model built from visible cubic blocks, with clear depth, readable silhouettes”。第三段是最容易被省掉、也最影响一次成型率的一段。不要关 thinking。训练数据里每条样本都带完整 thinking trace说明推理链是分布的一部分。用 chat_template.jinja 时注意enable_thinkingfalse会注入一个空的think\n\n/think\n\n块等于让模型在“没有推理过程”的形态下生成这和它被训练的样子不一致。失败要聚类不要重试到底。记录每次失败的第一条pageerror按错误类型分组。如果九成失败都是重名变量说明你的瓶颈在提示词的空间描述或文件规模如果失败集中在THREE.* is not defined说明有人在偷偷用 addons——这两类问题的修法完全不同。最后回到标题。10 月 27 日那个检查点值得被单独讨论不是因为它把 3D 生成推到了什么新高度而是因为它把一个几乎不可用的东西变成了可用的东西当一次成型率足够高你才敢把它放进“打开就能看”的工作流里才敢让不懂 JavaScript 的人去写提示词。至于剩下的那部分活——重名变量、偶发的约束违规、需要人工收尾的性能问题——它们依然存在而且短期内不会消失。诚实地说这个模型的当前状态是“一次生成基本能跑跑起来之后还需要一点收拾”而这恰恰就是一个 4B 模型在 2026 年应该达到的位置。创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考