体素、机械、建筑：同一模型三类题材的生成质量差异与成因

体素、机械、建筑同一模型三类题材的生成质量差异与成因Qwen3.5-4B-3D-Coder 是一个基于 Qwen3.5-4B 的独立微调模型不输出网格、点云或 glTF而是直接吐出一个自包含的 HTML 文件内联 CSS、内联着色器参数、只从 cdnjs 引入 Three.js 0.160.0 核心 ES 模块打开浏览器就能拖动视角。它的官方画廊一共十张图覆盖体素环境、幻想建筑、东方园林、家具手作与硬件机械。把这些图逐张放在一起看会得到一个相当反直觉的结论同一个 4B 模型、同一套提示词范式在体素题材上几乎不犯错在机械题材上却明显降级为剪影级表达。这篇文章不谈跑分只做三件事把十张官方作品按题材重新归档做横向对照从几何与语义两个维度解释这种偏科的技术成因最后给出按题材选提示词与选部署参数的可操作建议。一、三类题材的完成度横向对照先把画廊的十张图按几何表达方式而不是按题材名字重新分类。这一步很关键因为 README 里的四分类建筑园林 / 体素 / 家具 / 机械是按内容分的而模型的偏科是按几何可压缩性分的。作品实际几何表达构件组织完成度观察Voxel launch site纯体素全部方盒网格对齐、模块复用极高围栏、斜撑、警示锥、地台砖缝全部到位Dragonrider Aerie纯体素分层堆叠崖壁分层 折返楼梯极高甚至自带四个机位切换按钮Sunset Village体素建筑 平滑地形十余栋半木结构房屋环绕广场高鸟瞰布局有序点光照亮窗格Pelican Bike No.07体素化机械车轮由方块拼圆中高造型可读但传动部件被省略Sakura Temple Garden低多边形建筑 球簇植被主殿、鸟居、石灯笼、木桥、池塘中高构图最佳局部交接有漂移Kōrin Garden低多边形建筑多层塔 围栏 汀步中右侧栏杆立柱与木桥接地关系明显失真Bow-Front Secretary Desk基础几何体拼装桌体 抽屉 椅中柜体尺度成立把手与桌面小物退化为剪影The Bookbinding Bench基础几何体拼装室内盒 长桌 道具中氛围光到位道具靠圆柱与方盒近似LGA 3647 Socket基础几何体 装饰曲线PCB、承载框、凸轮压杆低针脚阵列完全缺失只剩一块暗色平面Sakura Bonsai球簇 曲枝近似单株植物中花瓣粒子加分枝干分叉靠随机偏移最能说明问题的对照是两张图。下面这张体素发射场里火箭由阶梯状方块逐层收窄四根交叉斜撑把塔架和地面锚住围栏是柱 横杆的循环实例地面砖缝与混凝土地台严格对齐网格而下面这张被社区文章描述为针脚阵列与固定结构被还原得相当工整的 LGA 3647 插槽真实情况要冷静得多绿色 PCB 上的走线是一条条手工摆出的样条曲线承载框、红色凸轮压杆、CAM LEVER RETENTION标注都在但承载框中间本该由上千根针脚构成的那个区域被一块没有任何几何细节的暗色平面替代了。模型学会了产品棚拍的全部形式语言——深色背景、三点布光、角标标签、Reset view 按钮——却跳过了这件物品之所以是这件物品的那一层几何这不是渲染问题是语义下沉问题。同样是密集重复的微小构件体素场景里的围栏柱、砖缝、块状树木都被老老实实循环生成了出来到了 CPU 插槽这一层模型选择了用一个大平面概括这种成本最低的表达。差异出在哪里是下一节要拆的核心。二、两种难度几何规则性 vs 语义复杂度把生成一个 3D 场景拆成代码层面的动作本质是三个量在博弈图元的种类数、实例的数量、每个实例之间的约束强度。第一层难度是几何规则性它决定模型能否用少量代码覆盖大量构件。体素题材的极致优势在于整个场景只有一个图元BoxGeometry材质只有一套MeshLambertMaterial或MeshStandardMaterial的调色板空间关系可以直接映射到整数网格坐标于是代码结构天然收敛为定义调色板 → 写一个addBlock(x,y,z,color)辅助函数 → 用循环和数组铺数据。这类代码的 token 重复度高、分支熵低4B 模型完全扛得住。第二层难度是语义复杂度它决定模型是否理解部件为什么必须长成那样。机械题材是这一层的地狱模式自行车链条必须首尾闭合、绕过牙盘与飞轮辐条必须同时连接轮毂与轮圈这些是功能性约束不是外观约束LGA 插槽的针脚阵列不是装饰它的存在本身定义了插槽这个类别家具的抽屉必须能被理解为一个可以沿 Z 轴平移的单元抽屉面板、导轨、拉手之间存在父子关系。体素场景可以看起来乱但语义全对机械场景则是看起来还行但语义全错。模型在第二类任务上缺失的不是渲染能力而是部件级的功能先验。还有一种更隐蔽的难度交接面。建筑题材恰好卡在两者之间——单体构件的语义很弱一堵墙只要是个长方体就行但构件之间的交接很强屋顶要压在墙上、桥面要搭在岸上、灯笼要立在地上。回看 Kōrin Garden右侧那排围栏立柱孤零零立在草地边缘、既没有横杆也没有接地木桥的一端悬在斜坡上石灯笼的位置像是均匀随机撒出来的——这些都是单个构件全部正确、构件之间的关系崩了的典型症状对比之下Sakura Temple Garden 是建筑类里完成度最高的一张主殿、鸟居、石灯笼、木桥、池塘的层次关系读得出来飘落花瓣用实例化粒子做出了氛围。但放大看池边石灯笼直接立在水中、汀步散乱无序说明关系这一层依然是概率性的如果给三类题材排一个难度阶梯它并不等于构件数量的排序而更接近下面这个乘积实际失败概率 ≈ 图元种类数 × 语义约束强度 × 交接面数量 / 可复用代码的比例体素题材右端的分母极大——一个addBlock就能覆盖成百上千个构件所以即使构件总数很高Sunset Village 有十几栋房子、几十扇窗、多盏路灯失败概率依然很低。机械题材的分母极小——每个零件几乎都是一次性的new THREE.Group()加若干次位移旋转代码无法复用错误只能靠模型对结构的功能直觉去兜底。三、偏科背后的三个成因推测以下三条并非官方结论而是从仓库里可核查的配置、数据集描述与官方画廊现象反推出来的工程解释。成因一训练分布的形状。数据集 ccore/ThreeJS-3D-Scenes 共 4,146 个样本3,933 训练 / 213 验证每个样本包含提示词、完整思考轨迹、完整 HTML/JS 响应与复杂度等级标签MIT 协议公开。这个规模对一个专精微调来说是够用但不宽裕而 213 条验证集意味着每一类题材能分到的验证信号只有几十条。更重要的是体素题材在这个分布里天然是高样本效率的一段三四十行的调色板 循环代码就能产出一个看起来内容极其丰富的体素世界同一份训练预算能覆盖更多视觉变体。机械类则相反每条样本都要把大量 token 花在一次性零件的坐标计算上模型能从中学到的可迁移模式很少于是它学到的其实是机械产品的镜头语言暗背景、棚拍光、角标而不是机械结构本身。成因二工具链与题材的同构性。README 规定的系统提示词把模型的输出空间压得很窄——只允许核心 ES 模块禁止 addons 与旧版examples/js路径相机控制必须手写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.这条约束的隐含后果是模型失去了所有高级几何能力——没有OrbitControls、没有GLTFLoader、没有后处理、没有LatheGeometry之外的建模辅助更别说 CSG。它手里只剩Box、Sphere、Cylinder、Cone、Torus、Plane这一小组图元和InstancedMesh。而这套受限工具箱恰好与体素美学完全同构体素风格的定义就是用可见立方块搭出一切工具的短板在体素语境里反而变成了风格承诺。同样的短板放到机械语境里就暴露无遗——没有布尔运算就做不出针脚孔阵列没有样条扫掠就做不出链条模型只能退回到一个大平面。成因三4B 参数下的注意力预算分配。生成这种自包含 HTML 时模型需要同时维持三层状态全局调色板与光照约定、空间坐标系、以及当前正在写的构件的父子变换。层数越深、构件越一次性状态越容易在长文件后半段漂移。README 里点明的已知 bug——观察到的错误大多是重复变量名而不是结构性错误——正是这种漂移的代码层显影一个机械场景要声明几十个Group在 4B 模型的短时记忆里const frame被写第二遍的概率远高于体素场景里那几个共享的blocks数组。此外config.json显示这是qwen3_5混合注意力架构32 层里每 4 层才有一层 full attentionfull_attention_interval: 4实际为 24 层 linear attention 8 层 full attention256K 上下文与 8 层全局注意力足以容纳长文件但容量够不等于分配得好。顺带一个容易被忽略的观察Sunset Village 的标题卡是葡萄牙语按钮写着Pausar movimento和Resetar vistaSakura Bonsai 的副标题也是葡萄牙语。这说明在提示词未显式约束语言时模型会从训练分布里自由抽取界面文案的语种。对工程化落地来说这是一个必须显式约束的变量而不是彩蛋。四、按题材选提示词与参数基于上面的分析三类题材应该走三套不同的写法而不是套同一个模板。体素题材直接吃满模型的强项。README 里两个官方提示词大象康复栖息地、海蚀柱龙骑士巢穴都遵循同一个结构主题 → 空间关系清单 → 渲染风格锚点最后一句固定为由可见立方块构成的刻意体素模型层次清晰、轮廓可读、空间关系扎实。这句话就是体素分支的开关它同时锁定了图元方块、配色有限调色板和相机语义等距/鸟瞰。保留了这句锚点模型几乎必然给出一个可运行、可拖拽的完整场景Dragonrider Aerie 甚至自动附带了 Isometric / Aerial / Shore / Hatchery 四个机位按钮建筑题材把关系写进提示词而不是指望模型自己推。建筑类的失败几乎全部发生在交接面所以提示词里要显式给出约束句例如桥的两端必须落在岸边的石阶上所有立灯与围栏立柱必须与地面网格对齐、不得悬空。这类硬约束在体素语境里是冗余的网格自身就保证了在建筑语境里是必需的。机械题材拆成两阶段先清单后代码。一次性让模型写完一台机械等于让它一边规划拓扑一边算坐标。更稳的做法是先让它输出部件树每个部件的名称、父节点、图元、大致尺寸确认拓扑无误后再要求按此清单生成代码并在提示词中明确链条件数 ≥ 40、每根辐条独立实例化、针脚区域用InstancedMesh铺满而不是贴一个平面。后者是把本文第二节的诊断直接转成工程补丁。参数与部署侧的三条硬性事实都可在仓库文件中核对采样参数以 generation_config.json 的默认值为基线temperature 0.6、top_p 0.95、top_k 20、repetition_penalty 1.0README.md 给出的可调区间是温度 0.6–0.8、Top P 0.90–0.95、Top K 20–40。机械类的拓扑敏感度更高建议压在下界温度 0.6体素类可以用上界换取更多布局变化。命令行部署时对应--temp 0.6 --top-k 20 --top-p 0.95 --repeat-penalty 1.0注意repetition_penalty保持 1.0 不要上调这类代码里大量重复的坐标数字一旦被惩罚几何会直接塌掉。LM Studio 必须关闭 MTP。这是社区反馈最集中的坑config.json里mtp_num_hidden_layers: 1表明基座带有一个单层多 token 预测头而 LM Studio 默认开启该选项导致输出乱码、截断或无响应。这与量化格式无关Q4_K_M 与 Q8_0 都受影响。量化选择上Q4_K_M 约 2.5 GiB、Q8_0 约 4.2 GiBFP16 全量权重合计约 9.08 GB、总参数 4,539,265,536见 model.safetensors.index.json。题材难度与量化损失是叠加的体素类在 Q4_K_M 下几乎无损机械类建议直接上 Q8_0 或 FP16因为丢的那点精度往往正落在长距离的坐标引用上。最后值得强调的一个背景这个项目的十张画廊图取自 10 月 27 日更新的检查点作者明确说明该版本的 one-shot 成功率与整体场景质量都有明显提升且仍有部分场景需要重试。README 里给出的三省对比图恰好展示了这种收敛过程——同一个罗马场景在 25、26、27 三个预览版中的逐日演变所以体素强、机械弱不是这个模型的固定属性而是一条当前检查点在难度轴上的截面。判断一个 4B 级 3D 代码模型是否真的可用比看单张惊艳截图更有效的方法是在同一套系统提示词下分别提交一条体素、一条建筑、一条机械提示词然后只看机械那条里的必需部件少了不少几个——那才是模型能力边界的真实刻度。创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考