同一个AI，画火箭有模有样，画张书桌却露馅：一个小模型的三类题材实测

同一个AI，画火箭有模有样，画张书桌却露馅：一个小模型的三类题材实测

【免费下载链接】Qwen3.5-4B-3D-Coder项目地址: https://ai.gitcode.com/hf_mirrors/ccore/Qwen3.5-4B-3D-Coder

最近开源圈有个挺有意思的小模型，叫 Qwen3.5-4B-3D-Coder。

它只有 40 亿参数，在动辄几百上千亿的大模型里算"小个子"，但干的活很讨喜：你一句话描述场景，它直接吐出一个网页文件，双击打开就是一个能转、能拉近、能走动观看的 3D 小世界。

不用建模软件，不用会画画，不用懂三维坐标。

可真正上手玩了一圈后，最让人上头的不是它有多强，而是它"偏科"偏得特别明显——同样一个模型，让它搭方块火箭，能给你搭出带围栏、带路障、带碎石的发射场；让它画一张古典书桌，桌腿是直的，抽屉是黑的，椅子像两个圆饼叠起来。

这就值得说道说道了。

一、先说清楚：这玩意儿到底是个啥

打个比方，它像一个只练过"三维积木"这一门手艺的学徒。

你把想要的场景说给它听——一座樱花庭院、一台自行车、一个 CPU 插槽——它就开始在脑子里一块一块地摆积木，最后交给你一份可以直接在浏览器里跑起来的 3D 场景。

整个过程你只需要一个浏览器。生成的东西是一个自己就能跑起来的网页，不用装环境、不用配服务器，发给朋友他也能打开。

它是在通义千问 Qwen3.5-4B 的基础上，由一个独立团队 fine-tune 出来的实验版本，不是官方发布，训练时喂了 4146 个现成的 Three.js 场景样本。也就是说，它对"什么样的描述该配什么样的场景"这件事，是照着四千多份范文学的。

而这份"教材"的口味，恰好解释了它为什么偏科。

二、第一类：体素题材，它是真的学霸

先说结论：如果要给它打分，方块类场景是唯一能打到"能直接拿去用"水平的。

体素，说白了就是"用一个个看得见的小方块堆东西"，跟乐高、跟《我的世界》一个路子。

看这个发射场：

火箭、桁架发射塔、白色导流台、乱石地面、外围的铁丝网围栏、路面上一排黄黑相间的路障、右边那辆带天线的通信车——该有的全有，而且都在该在的位置上。

更关键的是，它没有犯外行错误。发射塔的四根斜撑是正确收拢到塔身的，导流台是垫在火箭底下的，围栏是绕场一圈而不是穿墙而过。你在里面转一圈，不会看到半个轮子陷进地里。

再看这个海蚀柱上的龙骑士巢穴：

底下是海水，中间是层层收窄的石柱，顶上有木头栈桥、吊机、绳索，还有从洞里飘出来的一缕烟。右下角甚至还给你配了四个视角按钮，一键切换俯视、鸟瞰、岸边、孵化洞。

还有这台"鹈鹕自行车"：

方块拼出来的车轮，中间的辐条是一格一格捅进去的，链条有，车把有，柏油路面的虚线有，连地上的投影方向都是一致的。

这三张的共同点很明显：所有东西都由同一个尺寸的方块组成。方块不会弯、不会塌、不会互相穿插，只要摆的位置对，画面就成立。

对模型来说，这是个"低风险工种"。

三、第二类：建筑园林，它是美术生，但经不起凑近看

第二类场景，观感是另一个极端——第一眼惊艳，第二眼开始挑刺。

比如这张樱花神社庭院，几乎是这个项目的门面：

绿色瓦顶、朱红大门、鸟居、石灯笼、木桥、水面、远山、飘落的花瓣。构图、配色、光影，全都拿捏得很稳，放在朋友圈说是插画师做的也有人信。

但你把视线拉到桥上——

桥墩和水面的关系是含糊的，木头桥面有几处搭得虚；水面上还浮着一个橘红色的小东西，看不出是锦鲤、是落叶，还是一个"忘了删"的零件。

再看黄昏村落：

十二栋小楼绕着一个中心广场排开，烟囱、路灯、树、水面倒影、漂浮的光点，氛围感拉满。房子里还有暖黄色的窗光。

但你仔细数，会发现有几栋楼的窗是亮着的，有几栋是空的；屋顶烟囱的位置也有点随意。宏观秩序很好，微观一致性靠运气。

还有这张日式园林：

三层塔楼做得相当工整，瓦檐、门窗、栏杆、宝顶都到位。可旁边那棵樱花树，花簇是一颗颗飘在空中的粉色小球，枝干和花之间没有真正连上——远看是樱花，近看是气球。

结论是：建筑园林类，模型擅长的是"气氛"，不擅长"施工"。而人类看图偏偏是先看气氛的，所以这一类的好评率天然就高。

四、第三类：机械与家具，这里最容易翻车

真正暴露出短板的是这一类。

先看这个 LGA 3647 CPU 插槽：

第一眼你会觉得"专业"。绿色电路板、板上的走线、四角螺丝、红色锁杆、旁边还有丝印标注"LGA 3647 Socket""CAM LEVER RETENTION"，像是从硬件说明书里抠下来的。

可只要懂点装机，就会发现一个致命细节：插槽中间是一整块黑盖板，没有针脚。

LGA 3647 之所以叫 3647，就是因为底下密密麻麻排着 3647 个触点。模型把外形、颜色、配件全记住了，唯独漏掉了这个零件存在的理由。

同样的故事还发生在这张"弓形书桌"上：

题目要的是"弓形前脸"，出来的是一块平板；抽屉面板看起来像贴在柜体上的贴纸，把手是个奇怪的"7"字造型；椅子干脆是两个圆柱叠一块儿。

但同类的室内场景里，也有做得相当不错的：

裁纸机、线轴、半成品书册、墙上的书架、吊灯、四格窗，全都摆得有理有据，光影也暖。缺点是椅子比例小了一号，窗户只有框没有玻璃。

这三张放一起，规律就出来了：机械和家具考的不是"好看"，是"对不对"。弓形是不是真的弯了，针脚是不是真的有，链条是不是真的连上了——这些是硬指标，藏不住。

五、为什么同一个模型，水平差这么多？

说白了，两类难度被混在一起谈了。

第一层难度叫"几何规则性"。体素场景的所有元素共享同一套规则：等大方块、正交摆放、不出现曲面。规则越统一，模型越省力。它不需要理解"这个轮子为什么是圆的"，只需要知道"这里堆三块、那里堆两块"。

第二层难度叫"语义准确度"。机械和家具考的是"这个部件是不是那个部件"。弓形桌的前脸必须有弧度，CPU 插槽必须有触点阵列，自行车必须有传动关系。模型一旦只记住了外形轮廓、没记住结构逻辑，就会产出"看起来像、但经不起懂行的人瞄一眼"的东西。

那为什么它对体素这么熟？

从公开的训练情况看，四千多条样本里，"用可见立方块来渲染"几乎是一种标准写法，官方给的示例提示词里也反复出现类似要求。同一套句式被反复强化，模型自然练成了条件反射。

而园林、村落这类场景，是官方作品集里的主力，构图和氛围被喂得最足——所以它擅长"讲故事"，不擅长"抠图纸"。

至于 CPU 插槽、古典书桌这类题材，样本少、要求高、还得靠真实结构撑住，属于典型的"教材里没几页，考卷上全是题"。

六、想自己玩？门槛不高，但要会"因材施教"

给想上手的人几条实在建议。

硬件门槛真的很低。它有两个量化版本，最小的一个两三个 G，普通笔记本就能跑；追求画质的版本四五个 G，有独显更舒服。全程本地运行，不联网，也不花钱调 API。

一个必须记住的坑：如果你用 LM Studio 这类图形化工具加载它，记得把"多 token 预测"这个选项关掉。它默认是开着的，开着就容易输出乱码或者干脆卡住。这跟模型本身没关系，是工具兼容问题。

然后是按题材选打法：

想搭方块风的东西——一句话加一句"用看得见的立方块来搭"，基本就能出，运气好一次过。

想做大场景和建筑——把布局、视角、氛围写清楚，别去抠栏杆有几根。它给你的是一张"概念图"，不是施工图。

想做机械和家具——老老实实拆开，一次只做一件，先要整体轮廓再要细节，做好重试两三次的心理准备。这种题材上，稍微大一点的那个量化版本会明显更稳。

七、最后说句实话

这个模型最迷人的地方，恰恰不是它多完美，而是它暴露出的那种"人味"。

它搭火箭的时候像个熟练工，堆得又快又稳；画庭院的时候像个美术生，气氛一流、施工马虎；一到机械零件，就露馅了——像一个背了答案但没弄懂原理的学生。

而这，其实也正好是今天所有 AI 生成 3D 内容的共同处境：会造气氛，还没学会造结构。

不过话说回来，几年前我们想让电脑生成一个能转的 3D 房间，得写几百行代码、调半天参数。现在一句大白话，几十秒，一个网页就出来了。

你要是让它做点东西，最想让它先给你搭个啥？是自己老家的院子，还是初中课桌上那台拆了装不回去的随身听？评论区聊聊，说不定有人已经试过了。

【免费下载链接】Qwen3.5-4B-3D-Coder项目地址: https://ai.gitcode.com/hf_mirrors/ccore/Qwen3.5-4B-3D-Coder