4B 的 Qwen3.5-3D-Coder 专写 Three.js 场景，还能照着图片搭

摘要：开发者 CCORE 基于 Qwen3.5-4B 独立微调的 3D-Coder 模型专注生成可交互的 Three.js 3D 场景，10 月底又加了看图生成能力，GGUF 格式一张消费级显卡就能跑。

当各家实验室都在卷万亿参数 MoE 的时候，榜单上出现了一个反方向的作品：Qwen3.5-4B-3D-Coder，一个只有 4B 参数、还在训练中的小模型，专注一件事——生成可交互的 Three.js 3D 场景。

先说清楚出身：这是开发者社区 CCORE 基于 Qwen/Qwen3.5-4B 做的独立微调，不是 Qwen 官方发布。作者的定位是一个训练实验，探索小模型能不能同时干好两件事：通用编码，以及高质量 3D 场景生成。目前放出的 early preview 反馈不错，于是决定边训边分享。训练用了专门的 ThreeJS-3D-Scenes 数据集，模型卡上还挂着一份已发布的技术报告 PDF。

真正让它出圈的更新是 10 月 30 日加入的可选视觉支持：Q4_K_M 和 Q8_0 两个 GGUF 量化版本，配合原版 Qwen3.5-4B 的视觉投影器（BF16，约 644 MiB，下载一次两个量化版通用），就能接收图片输入。效果是你可以贴一张参考图，让模型照着生成对应的 Three.js 场景——官方示例里，一张”漂浮岛上的橙色体素树”的参考图，配上 Three.js 系统提示词，用户提示只有一句”create this scene using voxels 3d”。作者也坦白这是定性示例，模型是对参考图的诠释而不是逐像素复刻。

这里其实对应一个具体痛点：让通用大模型写 Three.js，最常见的失败不是不会 API，而是空间关系崩掉——光照、相机、物体嵌套一复杂就开始糊。用一个垂直数据集做微调，等于是把”场景该怎么组织”的先验压进 4B 参数里，模型输出的不再是零散代码片段，而是能直接跑起来的一整个场景。

部署门槛相当友好：GGUF 格式走 llama.cpp，实测版本 b11889。llama-server 加上模型 GGUF 和 --mmproj 投影器两个文件就能起服务，64K 上下文配置，KV-cache 还可以用 q8_0 进一步省内存。起服后打开 WebUI、贴图、发提示词，就能看到场景代码跑起来。需要注意的是，投影器加载会额外占内存，图像 token 也跟提示词、生成的代码共用同一个上下文窗口——图越大、场景越复杂，留给输出代码的余量就越少，这也是作者强调”这些只是短测、不是满上下文压力测试”的原因。

这个模型的观察价值在于它的路径：不追通用榜、不堆参数，用 4B 的体量押注一个足够窄的场景（Three.js 交互式 3D），再把”看图生成”这个直观的演示能力补上。对于想做 3D 内容原型、或者想在本地小显卡上跑一个有用编码助手的开发者，它是一个现成可试的样本；对于研究小模型上限的人，它的技术报告也值得翻翻。作者自己把话说得很明白：早期预览、仍在训练，别指望它替代通用编码模型——它更像一次”垂直微调能走多远”的公开实验。

模型地址：https://huggingface.co/ccore/Qwen3.5-4B-3D-Coder