之前测试普通代码任务，整体表现还不错，尤其是推测解码带来的速度提升，确实让16GB显存运行27B模型具有了不错的实用性。

但最近遇到一个很有意思的问题：

模型能够比较快地生成复杂的3D场景代码，却经常无法完成最终的视觉验收。尤其开启推理模式后，很容易陷入长时间的分析、验证、修改、再验证循环。

我已经用几套方案反复尝试，目前还没有拿到一份从场景生成到视觉验收都令人满意、能够顺利完成交付的结果。

想把这个任务分享出来，看看论坛里有没有朋友能用同级别硬件完成。

一、我的测试环境

其中0.18.0 MTP3方案已较稳定，0.19.1 DFlash2还在做Agent兼容性与输出能力验证。

二、测试任务：《清明上河图》虹桥市井3D场景

任务是让本地模型使用 Three.js，制作一个可以在浏览器中运行的动态3D场景。

主要包含：

1. 《清明上河图》中具有代表性的虹桥，要求木构结构、弧形桥面、护栏及桥下通航空间。
2. 两岸北宋风格街市，包括商铺、民居、茶馆、酒肆、摊位等。
3. 河道、货船、码头及动态水面。
4. 二三十个具有简单动作的市井人物。
5. 春日自然光照、天空、植被和远景。
6. 鼠标旋转、缩放、平移及动画控制。

整体采用精致低多边形/体素化艺术风格，不追求照片级写实。

最终要求：生成单个HTML文件，直接通过浏览器打开，能够正常显示完整场景并运行简单动画。

Three.js允许通过CDN加载，不需要其他本地工程依赖。

三、目前几套方案的实际表现

1. KVMem 0.18.0 + MTP3，无推理模式

这一套生成速度表现不错。

• Decode速度：测试记录约113 tok/s。
• 首次生成HTML：约5分48秒。
• 能够生成虹桥、建筑、人物、船只及动画等主体代码。
• 模型能够调用工具、编辑文件、进行语法检查。

但首次交付存在明显问题：

画面出现大面积发白，整体构图和视觉效果不理想。

指出问题后，模型又花费约6分50秒进行了修改，调整了水面、光照、曝光和相机。

虽然程序报告修复完成，但我没有把这次结果视为最终视觉验收成功。

2. KVMem 0.18.0 + MTP3，开启推理模式

这一套最有意思。

模型会主动检查自己的代码，也能发现一些真实问题，例如：

• 函数引用顺序错误。
• 几何结构方向不合理。
• 水面与地面遮挡关系异常。
• 浏览器运行与截图验证错误。

但执行一段时间后，开始进入反复调试。

有一次记录：

• 累计约100步。
• 已运行约54分钟。
• 平台累计Token统计约550万，缓存命中率97%。
• HTML主体其实早已生成。
• 最后一直卡在河面显示异常的诊断中。

需要说明：550万是平台累计Token用量，包含大量缓存复用，并不代表实际新生成550万Token。

模型尝试过调整材质、修改几何体、Raycast检测、截图像素分析、创建诊断脚本、检查浏览器进程等。

其中有些排查本身还引入了新的错误。

最后变成一个循环：

发现问题 → 提出假设 → 修改 → 验证 → 否定假设 → 继续修改。

结果是代码早就写出来了，任务却始终无法顺利结束。

3. KVMem 0.19.1 + DFlash2

DFlash2在部分测试中Decode可以接近100 tok/s，很有吸引力。

但此前Agent测试遇到了另一类问题：

• 单次输出曾受8192 Token限制。
• 多次长代码工具调用出现截断。
• 出现malformed_tool_call。
• 历史KV保留与Compaction后的任务恢复不够理想。

后来已经准备了32K输出的新配置，但尚未完成同条件下的完整复杂Agent验收。

因此暂时不能简单判断DFlash2比MTP3更适合或更不适合这个任务。

四、想请大家一起测试

我更希望看看：在16GB显存或接近的硬件条件下，量化27B模型能不能独立完成一个复杂的3D创意编程任务。

为了便于复现，下面提供一个简化后的统一提示词。

测试提示词

使用 Three.js 制作一个以北宋《清明上河图》虹桥市井为主题的原创动态3D场景。

整体采用精致低多边形或体素化艺术风格，画面明亮、层次清晰。

场景中央是一座横跨河流的中国传统木构虹桥，桥面呈弧形，具有交叉木梁、护栏及桥下通航空间。

河流两岸建有中式商铺、民居、茶馆、摊位、街道和码头。场景中安排约20至30名行人、商贩与船工，以及3艘具有简单动画的船只。

添加自然光照、天空、树木、河面波纹及远景环境。

支持鼠标旋转、缩放、平移，支持暂停和恢复动画。

使用原生HTML、CSS、JavaScript及Three.js完成。最终生成一个独立HTML文件，允许联网加载Three.js CDN，无需npm安装或启动本地服务器。

允许分阶段编写代码，但必须最终整合为完整HTML。

完成后必须实际运行浏览器检查，确认没有JavaScript运行异常，并验证画面中确实可以看到虹桥、河流、两岸建筑、人物和船只。

不能仅凭语法检查通过就宣布任务完成。

遇到问题时优先进行局部修复，不要无限重写整个项目。最终必须交付实际HTML文件。

五、希望大家反馈哪些结果？

不要求大家使用完全相同的量化或推理框架。

特别欢迎使用5060 Ti 16GB、4060 Ti 16GB、24GB显卡或其他接近配置的朋友尝试。

如果能够完成，希望分享：

• 显卡、内存、模型及量化版本。
• 推理框架与Agent工具。
• 是否开启Thinking。
• 大约使用多少时间和工具调用次数。
• HTML能否正常打开。
• 是否通过实际截图视觉检查。
• 有没有遇到反复调试、上下文压缩、工具调用失败等问题。

最希望能直接看到大家生成的HTML作品或运行截图。

六、我现在的一点体会

经过这几轮测试，我越来越觉得：

本地27B模型的代码生成能力，可能已经不是最主要的瓶颈。

真正影响复杂Agent任务体验的，反而是：

能不能在正确的时候停止思考、完成验证，并交付一个可用的作品。

无推理模式生成快，但可能遗漏明显问题。

开启推理后，检查意识增强，却可能陷入过度验证。

而推理框架的上下文管理、工具调用稳定性以及Agent本身的任务收敛机制，可能比单纯提高Decode速度更重要。

当然，以上只是我目前几次测试的观察，还没有完成严格的同条件A/B对照。

希望论坛里有朋友能挑战成功，尤其想看看其他量化版本、不同推理后端或者不同Agent执行器的表现。

如果大家有成功案例，欢迎贴一下参数和作品截图。也欢迎指出我的任务设计、模型配置或者执行方式有什么问题。

我也想看看，16GB显存上的量化27B，距离真正稳定完成复杂创意编程任务，到底还有多远。