ある個人開発者がWorldTUIを公開した。従来のシェル、ファイルシステム、OSのプロセスを背後で動かすのではなく、端末のインターフェース全体を言語モデルで生成する実験だ。キーを押すたびにその操作をモデルへの入力とし、端末画面がどのように変わるかを予測することで、ブラウザー内でコマンド、エディター、ゲームが動いているように見せる。

モデルのパラメーター数は約3億6,000万で、Qwen2.5-Coder-0.5Bをもとにしている。開発者は、Dockerコンテナ内で動く実際のプログラムから記録した端末セッションでモデルを学習させた。その結果できたデモは、一般的なコマンドラインの動作をまねたり、疑似的なVimやtmuxのセッションを開いたり、Snakeの一種を動かしたりもできる。インターフェースの背後に本物のシェルはないため、わざとつづりを間違えたコマンドを入力すると、シミュレーションであることが露呈する場合がある。

端末は、学習された環境としてソフトウェアのインターフェースを生成するという、より広い構想を試すための、条件を絞った実験の場となった。WorldTUIは画素を予測する代わりに、表示を文字の格子として表現する。モデルはその格子のスナップショット、カーソル情報、利用者の入力に対応する生のバイト列を受け取る。そして、どの行を書き換え、カーソルをどこに置くかを示す命令を出力する。

この仕組みには、そのままでは大量の出力が必要になる変更を、簡潔に扱う操作も含まれている。例えば端末がスクロールする際、モデルはすべての文字を生成し直すのではなく、既存の行をコピーできる。文法による制約をかけたデコーディングにより、予測結果が有効な画面更新命令になることを保証する。モデルは、バイト値、行識別子、特別な操作を含む333トークンの語彙を使っている。

学習データは最終的に約33万6,000エピソード、約20億トークンに達した。開発者は、モデル自身の間違いに基づく修正例も追加した。これは、長いセッションを通じて小さな誤りが積み重なるのを防ぐための手法だ。この工程を3回行うことで、以前の画面や利用者の入力に正しい情報が含まれている場合、モデルが不整合を修復する方法を学ぶ助けになった。報告されたPresetBenchの成績は、4ビット量子化の状態で、47テスト中24件から47件中38件へと向上した。

この手法は、見た目と実行を切り離している。もっともらしいコマンド応答があっても、ファイルが存在するとは限らず、エディターのバッファーも画面上に表されたモデルの状態にすぎない。この境界があるため、デモは一貫性や失敗のパターンの研究に役立つ一方、予測されたインターフェースが、決定論的に動作するプログラムの信頼性をそのまま受け継げない理由も示している。

ブラウザー向けパッケージは約208 MBで、WebGPUを利用する。デスクトップコンピューター上のChromeまたはEdgeが推奨されている。学習と改良には、RTX 4090で約75 GPU時間を要したとされる。WorldTUIはあくまで研究的な実演であり、安全性や実用性を備えた端末の代替ではない。その意義は、比較的小さなモデルが、予測したインターフェース更新だけで動作しながら、対話型ソフトウェアを模倣するのに十分な状態を、どのように保持できるかを示した点にある。