一見まったく普通の端末があり、入力した ls、cd、mkdir を受け付け、さらには Vim でファイルを開いて編集したり、Python を実行したり、tmux のマルチウィンドウを起動したりできるが、すべてが実際の環境とそっくりそのままだ。しかしその正体はかなり荒唐無稽で——裏には Linux もファイルシステムもなく、ましてやコマンドを一つでも本当に実行したことはなく、画面に現れるすべては AI がその場ででっち上げたものだ。WorldTUI という名のこのプロジェクトが行っている最も核心的なことは、モデルに「演技」を覚えさせることである。
開発者の Simon Edwardsson は Qwen2.5-Coder-0.5B をベースに、約3.6億パラメータ、サイズ716MB の小さなモデルを訓練し、さらに int4 量子化で208MB まで圧縮して、ローカルで簡単に動かせるようにした。その動作ロジックはとても純粋で、AI は一切プログラムを実行せず、あなたが打ち込んだコマンドに基づいて、端末が次にどんな画面を表示すべきかを予測するだけだ。ファイルを作れと言えば作ったふりをし、ファイルを読めと言えば、さっき自分が何を書き込んだかを必死に思い出す。Vim を開けば Vim の役になりきって続きを演じ、Python インタープリタや tmux のマルチウィンドウさえも様々に演じきる。一言で言えば、演じるのが十分似ていれば、あなたはボロを出しにくいということだ。
さらにすごいのは、この「演技派」が記憶も持っていることだ。Vim でファイルに書き込んだ内容は、しばらく後に開いても見ることができる。情報をコンテキストに保存しているからだ。もちろん、新しい端末セッションを作れば記憶はゼロに戻る——最初から最後まで実際のファイルは存在していないのだから。
この演技力は無から生まれたものではなく、本気で訓練されたものだ。開発者はまず本物の Linux 端末を構築し、Docker コンテナ内で Bash、Vim、Python、tmux を動かし、ユーザー名、ディレクトリ、ファイル、操作タスクをランダムに生成した。次にスクリプトで人間の操作をシミュレートし、一文字ずつコマンドを打ち込み、意図的に1.2% のタイピングミスを混ぜつつ、キー入力ごとの実際の画面変化をすべて記録した。この方法によって、合計33.6万件の操作記録、約20億 Token のデータを収集し、あの0.5B の小さなモデルをファインチューニングして、キー入力と画面履歴から次に表示すべき内容を推論することを覚えさせた。モデルの予測が外れた場合は、実際の端末の結果を使って修正サンプルを作り、自分で嘘を丸め込み、連続操作でのボロの出る率を下げることを教えた。最後に、端末の異なる行を並列に予測し、語彙を縮小し、4-bit 量子化を行うことで、モデルを約208MB に収め、訓練全体は NVIDIA RTX4090 上で75時間かかった。
もちろん、モデルはいずれボロを出す。複雑なコマンドはしばしばめちゃくちゃに実行され、ファイルの内容が突然変わることもあり、計算結果も必ずしも当てにならない——何しろ最初から最後までそれらのプログラムを本当には実行していないのだ。普通のユーザーにとって、これは実用価値こそ少ないものの、絶好の参考になる。同じ発想で、モデルに実際のソフトウェアの操作過程を観察させ、ソフトウェアの振る舞いを模倣するよう訓練できるからだ。開発者はモデルの重みをまもなく公開しダウンロードを提供すると述べており、現時点でオンライン体験には約208MB のモデルのダウンロードが必要で、デスクトップブラウザで開くことが推奨されている。ただ忘れてはいけないのは、この仕掛けは最初から最後まで偽物だということ。役に入り込みすぎないように。