Przejdź do treści

WorldTUI: world model, który udaje terminal. Pod spodem nie ma shella ani plików

Adam Marzec
Okładka artykułu o WorldTUI: model AI o 360 mln parametrów udaje terminal bez shella, demo 208 MB w przeglądarce, wpis z 21 października 2026

21 października Simon Edwardsson, współzałożyciel V7, opublikował na blogu eksperyment o nazwie WorldTUI: model językowy o 360 mln parametrów, który działa jak terminal. Cała bajka: pod spodem nie ma shella, systemu plików ani żadnego Linuksa. Każdy naciśnięty klawisz trafia bezpośrednio do modelu, a model przewiduje, jak zmieni się ekran. Potrafi tworzyć pliki, odpalić edytor vim oraz menedżer tmux, zagrać w snake i zwykle pamięta, co napisałeś kilka komend wcześniej. Autor doradza żartobliwy test: wpisz pythoon i zobacz, że to nie jest prawdziwy shell, bo literówka odpala Pythona.

Demo biegnie w przeglądarce, waży 208 MB i wymaga WebGPU, czyli Chrome albo Edge na desktopie. Całość liczy się lokalnie, w karcie przeglądarki, jak w innych hobbystycznych projektach z małymi modelami na własnym sprzęcie, na przykład LLM działającym na PlayStation 5. Sami demo nie otwieraliśmy; wszystko poniżej opisuję według wpisu autora i dyskusji na Hacker News.

Najważniejsze informacje

CoSzczegóły
Modelfine-tune Qwen2.5-Coder-0.5B; 360 mln parametrów po odcięciu słownika (bazowo ok. 494 mln)
Demo208 MB, WebGPU, Chrome/Edge desktop; w Firefoksie ok. 20 razy wolniej (wg autora)
Zasada działaniabrak shella i systemu plików; model przewiduje zmiany siatki znaków terminala
Trening336 tys. sesji z programów w Dockerze, ok. 2 mld tokenów, 75 GPU-godzin na RTX 4090
WynikiShellBench 80/106; odczyty plików 9/13 (modele promptowane: 2/13 i 3/13)
Szybkośćpojedynczy znak ok. 60 ms (Mac M4 w przeglądarce); p95 dużej ramki z 6,7 s do 0,87 s (RTX 4090)
Źródła i datawpis z 21.10.2026; HN 276 punktów i 88 komentarzy (odczyt 22.10.2026)

Jak to działa, bez shella pod spodem

Zwykły model językowy dokleja tokeny na koniec odpowiedzi, a terminal tak nie działa: klawisz esc w vimie robi coś samodzielnie, a polecenie clear ścina cały ekran i przenosi kursor na górę. Edwardsson przewiduje więc zmiany ekranu, traktowanego jak siatkę znaków opisywaną tokenami.

Każda sesja zaczyna się od migawki stanu: rozmiar ekranu, zawartość i pozycja kursora, na przykład BOS SCREEN_START 32 96. Szerokość okna jest częścią wejścia, nie stałą; trening szedł na trzech rozdzielczościach: głównie 32 na 96, plus 24 na 80 i 40 na 120 znaków. Potem każdy klawisz wchodzi jako surowy bajt, jak z prawdziwej klawiatury: Enter to \r, Escape to 0x1b, a strzałka w lewo sekwencja ESC [ D. Model odpowiada, które wiersze przepisać i gdzie skończy kursor; nic nie jest czyszczone, nowe znaki po prostu rysują się po starych.

Przy przewinięciu ekranu trzeba formalnie przepisać wszystkie wiersze, co kosztowałoby około 3000 tokenów na jeden klawisz, więc autor dodał operację COPY: skopiowanie wiersza z poprzedniej klatki kosztuje 3 tokeny zamiast około 96, trzydziestokrotnie mniejszy rachunek za scroll, czyszczenie ekranu czy wstawianie linii w vimie. Druga sztuczka to token WAIT z czasem trwania: gdy nic nie naciskasz, w modelu rusza sam upływ czasu, i właśnie dlatego snake w tym terminalu pełza bez ciebie.

Cały słownik to 333 tokeny: 256 bajtowych, 64 wiersze i garść operacji, z dekodowaniem ograniczonym gramatyką, więc każda predykcja jest poprawną aktualizacją ekranu. Trening szedł po sesjach prawdziwych programów z kontenerów Dockera, z losowymi użytkownikami, katalogami i celowym wskaźnikiem literówek 1,2%: 336 tys. odcinków, około 2 mld tokenów. Sam trening i poprawki zmieściły się w 75 GPU-godzinach na jednej RTX 4090. O tym, jak AI się uczy przy dotrenowaniu sieci, piszemy w osobnym poradniku.

Co potrafi, a co go przerosło

Najciekawsza część wpisu dotyczy błędów. W dłuższych sesjach pomyłki zaczynały się kumulować: literówka w nazwie pliku przechodziła do wszystkich dalszych odpowiedzi. Autor sięgnął po metodę z rodziny DAgger, czyli uczenie na stanach, do których model sam trafia, a nie tylko na wzorcowych pokazach. Model przewidywał kilka zdarzeń do przodu, wynik porównywano z nagranym ekranem, a przy małej różnicy budowano korektę naprawiającą ekran przy następnym klawiszu. Jest w tym jeden twardy warunek: słowa w korekcie musiały wcześniej pojawić się na prawdziwym ekranie albo w tekście użytkownika, bo uczenie na korektach znikąd nagradza halucynacje. Trzy rundy takich korekt, sięgające około trzeciej części sesji, podniosły PresetBench z 24 na 47 do 38 na 47.

Na ShellBench, czyli 106 komendach w 24 sesjach basha punktowanych za dokładne wyjście, WorldTUI dostaje 80 na 106; baza bez dotrenowania 52, Qwen3-0.6B 60. Największa przepaść jest w pamięci: odczyt wcześniejszych plików udaje się w 9 na 13 prób wobec 2 i 3 na 13 u modeli promptowanych. Autor opisuje moment, gdy otworzył plik w vimie pod tmux, zapisał zmianę i w drugim oknie odczytał nową treść poleceniem cat: poczuł się jak doktor Frankenstein. Nie jest to jednak niezawodny system plików; po echo green >> colors polecenie cat colors często w ogóle nie pokazuje dopisanej linii.

Reszta jest równie nierówna. Python w wersji REPL liczy proste dodawania i wybacza literówki (pythoon odpala Pythona, natomiast ython już nie), ale trudniejsze operacje dają odpowiedzi z ery GPT-3. Przy zagnieżdżonych katalogach model gubi ścieżkę i nagle jesteś gdzie indziej. Komentujący na HN donosili podobnie: donperignon pisze, że mkdir zawiadamiało go o istnieniu katalogu, którego nie było, a po literówce mkdier polecenie ls nie pokazywało niczego. Przy pomniejszaniu modelu wyszło, że usunięcie samej warstwy 7 prawie nie ruszyło trafności przewidywania tokenów (99,3% wobec 98,9%), a dokładne odczyty pamięci spadły z 64 na 64 do zera. Pamięć, krótko mówiąc, siedzi w konkretnej warstwie.

Czym są world models i dlaczego o nich głośno

Nazwa projektu nie jest przypadkowa. World model to model, który uczy się reguł środowiska na tyle, by przewidzieć, jak zmieni się ono pod wpływem twoich akcji; tak definiuje to DeepMind. Ich Genie 3, ogłoszony 5 sierpnia 2025, generuje z samego opisu tekstowego całe trójwymiarowe światy, po których chodzisz w czasie rzeczywistym: 24 klatki na sekundę w rozdzielczości 720p, z zachowaniem spójności przez kilka minut. Badacze DeepMinda widzą w tym krok na drodze do AGI, bo world models pozwalają trenować agentów w nieograniczonych symulacjach zamiast w drogim świecie.

Do tego grona należy Yann LeCun, główny naukowiec AI Meti, od lat przekonany, że inteligentne maszyny muszą zbudować wewnętrzny model świata, żeby szybciej się uczyć i planować; w czerwcu 2023 Meta pokazała I-JEPA, pierwszy model z jego architektury JEPA, przewidujący abstrakcyjne reprezentacje obrazów zamiast pikseli. Edwardsson wprost pisze, że inspiracją był dla niego Genie 3, który zobaczył rok wcześniej. Osobnym szlakiem idzie Microsoft: WHAMM z 4 kwietnia 2025 generuje gameplay Quake II w tempie około 10 klatek na sekundę i można w to zagrać w Copilot Labs. Tamtejsi badacze mówią wprost: to granie w model, nie w grę. WorldTUI sprowadza tę samą ideę do siatki znaków.

Po co komu terminal bez terminala

Najpopularniejsze pytanie w wątku HN padło bez ogródek od użytkownika htoz1: po co ten projekt, skoro mam terminal. Odpowiedź dotancohen to klasyczne górskie „Because it was there”, czyli bo istniał. antonvs dorzuca żart, że projekt pozwoli skasować aplikację terminala, a docelowo wszystkie binarki w systemie. Najbardziej rzeczowa odpowiedź należy do mehmetoguzderin: terminalowe world models mogą się przydać do taniego wytwarzania danych, bo prawdziwe ślady sesji bash bywają drogie, zwłaszcza z systemów, w których brakuje mocy GPU.

Sam autor nie udaje, że zbudował produkt: czy to jest użyteczne, nie bardzo, pisze w podsumowaniu. Najciekawsze jest dla niego, że model utrzymuje w miarę spójny świat, nie implementując żadnych reguł, które ten świat normalnie wymuszają. Zapytany o pamięć, dodaje, że większe modele radzą sobie z nią lepiej, a trenowanie od zera, bez bazy Qwen, wypadło wyraźnie słabiej.

Co z tego dla Polski

Demo jest darmowe i niczego nie trzeba instalować: przeglądarka pobiera 208 MB i cała inferencja biegnie lokalnie. Warunki praktyczne wg autora: desktop z Chrome albo Edge, WebGPU i fizyczna klawiatura; na telefonie ma działać, ale boleśnie wolno, a w Firefoksie demo potrafi być około dwudziestu razy wolniejsze niż w Chrome, przy czym przyczyny autor nie ustalił. Języka polskiego tu nie ma, bo nie ma czego tłumaczyć: interfejsem jest terminal, a komendy to angielskie nazwy programów. To eksperyment hobbystyczny, nie produkt; wag autor zapowiadał słowami „wkrótce”, bez daty (stan na wieczór 22 października). Dla zainteresowanych world models to najtańszy sposób, żeby zobaczyć na własnym ekranie, o co chodzi w całym zamieszeniu.

Najczęstsze pytania

Czym jest world model?

To model AI, który uczy się reguł środowiska na tyle, by przewidzieć jego kolejne stany pod wpływem akcji użytkownika lub agenta. Genie 3 DeepMinda generuje w ten sposób nawigowalne światy w 24 klatkach na sekundę. WorldTUI to world model terminala: zamiast klatek wideo przewiduje wiersze znaków.

Czym są world models AI i do czego służą?

Przede wszystkim do taniego generowania środowisk treningowych: agent może uczyć się w symulacji zamiast na drogiej infrastrukturze. DeepMind wskazuje je jako fundament treningu agentów, a komentujący na HN widzą w terminalowych wariantach sposób na obniżenie kosztów danych z systemów bez mocnych GPU.

World model a LLM: czym się różnią?

LLM przewiduje kolejne tokeny tekstu, world model przewiduje stan środowiska pod wpływem akcji, na przykład ekran terminala albo klatkę gry. Yann LeCun uważa samo przewidywanie tokenów za zbyt płytkie i proponuje architektury przewidujące abstrakcyjne reprezentacje. WorldTUI pokazuje, że obie rzeczy można połączyć: to LLM dotrenowany do przewidywania ekranu.

Dlaczego world models kojarzą się z Yannem LeCunem?

Bo od lat najszerzej promuje ten kierunek jako drogę do inteligentnych maszyn. Według jego wizji maszyny mają budować wewnętrzne modele świata, żeby szybciej się uczyć i planować, a Meta wdrożyła fragment tej agendy w modelach JEPA, zaczynając od I-JEPA w czerwcu 2023.

Źródła

Powiązane artykuły