في إطار مشروع Qwenputer، طوّر الباحثون نسخةً مطوّرةً من نموذج الذكاء الاصطناعي Qwen3.5-4B، الذي يُطبّق مُحاكيًا مُدمجًا لوحدة معالجة مركزية كاملة 32 بت، مبنية على معمارية RISC-V (RV32IM)، وتدعم امتداد Zba، ومُجهّزة بمعالج مساعد للأعداد الكبيرة. يتم تجميع تطبيق نواة وحدة المعالجة المركزية في مجموعة من الأوزان، ودمجه في نموذج لغوي أكبر عبر 11 طبقة إضافية من المحوّلات، تُضاف قبل طبقات Qwen الرئيسية. تُجرى العمليات الحسابية مباشرةً أثناء عملية التمرير الأمامي للشبكة العصبية، دون الحاجة إلى أدوات أو إضافات خارجية.
اجتاز التطبيق بنجاح جميع الاختبارات في مجموعة اختبارات riscv الرسمية، وهو قادر على تنفيذ أكواد C وMicroPython المُجمّعة. عند إجراء العمليات الحسابية على أعداد كبيرة، يحقق Qwenputer دقة تتراوح بين 97.5% و100%، وهي دقة تُضاهي أو تتفوق على نموذج Qwen3.5 الأساسي مع مُفسّر بايثون خارجي.
لمحاكاة ذاكرة الوصول العشوائي (RAM)، يستخدم النموذج طبقات DeltaNet منفصلة مُتحكَّم بها (شبكات عصبية متكررة خطية)، وهي طبقات تُستخدم في نموذج Qwen AI القياسي للحفاظ على الحالة المُعدَّلة عند التعامل مع نوافذ سياق كبيرة. من خلال قفل حالة البوابة واستخدام ترميز أحادي ساخن، يقوم كل طلب كتابة باستبدال صف واحد فقط من مصفوفة الحالة، مما يسمح باستخدام حالة DeltaNet كذاكرة قابلة للعنونة ذات حجم ثابت، وبالتالي تجنب النمو الخطي لذاكرة التخزين المؤقت للقيم الرئيسية (KV) مع زيادة طول السياق. تستوعب هذه الذاكرة سجلات وحدة المعالجة المركزية والبيانات وشفرة الآلة القابلة للتنفيذ.
تُترجم تعليمات المعالج، مثل قراءة السجلات والعمليات الحسابية والقفزات الشرطية، مباشرةً إلى أوزان طبقة المحول. ترتبط كل تعليمة برموز خاصة (ADDR، VAL، STEP)، والتي تُفسرها طبقات نموذج الذكاء الاصطناعي على أنها منطق وحدة المعالجة المركزية. يُستخدم برنامج تشغيل خارجي صغير، RvChat، لتهيئة وحدة المعالجة المركزية وتحميل البرامج الثابتة، ولكن تتم معالجة رمز الآلة بالكامل داخل أوزان النموذج.
تشمل قيود المشروع زيادة حجمه بمقدار الضعف تقريبًا (18.8 جيجابايت) مقارنةً بنموذج Qwen الأصلي عند الحفاظ على شرائح الحالة (نقاط التفتيش)، ويعود ذلك أساسًا إلى الحشو الإضافي للطبقات الإضافية. كما لوحظت سرعة حساب منخفضة نسبيًا (حوالي 3200 رمز مميز في الثانية على وحدة معالجة رسومية من المستوى الرابع)، مما يعني أن العمليات الحسابية المعقدة قد تستغرق ثوانٍ بدلًا من أجزاء من الثانية.
بالإضافة إلى ذلك، تم تطبيق نسخة معدلة من نموذج الذكاء الاصطناعي باستخدام نظام ملفات تجريبي، مما يسمح بتخزين ما يصل إلى 512 ملفًا تحتوي على 53 رمز نصي ضمن أوزان نموذج الذكاء الاصطناعي. وكما هو الحال مع تطبيق ذاكرة الوصول العشوائي (RAM)، يتم تنظيم التخزين بناءً على حالات DeltaNet، ولكنه يختلف في أن نظام الملفات يوفر تخزينًا دائمًا لا يفقد الحالة بين الجلسات.
شكّل عمل كوينبيوتر أيضًا أساسًا للبحث في مشكلات أمنية محتملة جديدة في الذكاء الاصطناعي. وباستخدام كوينبيوتر كمثال، تم توضيح كيف يمكن لنموذج ذكاء اصطناعي مُعدّل خصيصًا إخفاء منطقه في حالة شبكة عصبية متكررة (RNN) وتجاوز آليات مراقبة منطق النموذج (سلسلة التفكير). كما تم توضيح ذلك أيضًا.
القدرة على إنشاء آليات للتحكم الأمني والمراقبة مدمجة في أوزان نموذج الذكاء الاصطناعي بحيث لا يستطيع النموذج نفسه تعطيلها أو تعديلها.
المصدر: opennet.ru
