{"id":184029,"date":"2026-10-29T11:40:41","date_gmt":"2026-10-29T09:40:42","guid":{"rendered":"https:\/\/prohoster.info\/blog\/news\/qwenputer-redakcziya-ai-modeli-qwen3-5-sposobnaya-simulirovat-risc-v-cpu-dlya-vypolneniya-koda-na-c-i-micropython"},"modified":"2026-10-29T11:40:46","modified_gmt":"2026-10-29T09:40:46","slug":"qwenputer-a-qwen3-5-ai-model-variant-that-simulates-a-risc-v-cpu-to-run-c-and-micropython-code","status":"publish","type":"post","link":"https:\/\/prohoster.info\/da\/blog\/news\/qwenputer-a-qwen3-5-ai-model-variant-that-simulates-a-risc-v-cpu-to-run-c-and-micropython-code","title":{"rendered":"Qwenputer \u2014 redaktion af AI-modellen Qwen3.5, der kan simulere RISC-V CPU til at k\u00f8re kode i C og MicroPython","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
Som en del af Qwenputer-projektet har forskere forberedt en udvidet version af AI-modellen Qwen3.5-4B, hvor der er implementeret en indbygget simulator for en fuld 32-bit CPU baseret p\u00e5 RISC-V-arkitekturen (RV32IM), der underst\u00f8tter Zba-udvidelsen og er udstyret med en bignum co-processor til aritmetiske operationer med store tal. Implementeringen af CPU-kernen er kompileret til et v\u00e6gt-s\u00e6t og integreret i en stor sprogmodel som 11 ekstra transformer-lag, der er tilf\u00f8jet f\u00f8r de prim\u00e6re lag i Qwen. Beregningerne udf\u00f8res direkte under fremadrettet pas (forward pass) i neuronet, uden tilslutning af eksterne v\u00e6rkt\u00f8jer eller plugins.<\/p>\n
Implementeringen bestod succesfuldt alle test fra det officielle testudvalg riscv-tests og er i stand til at udf\u00f8re kompilert kode i C og MicroPython. Under udf\u00f8relse af aritmetiske beregninger med store tal sikrer Qwenputer en n\u00f8jagtighed p\u00e5 97,5-100%, hvilket er sammenligneligt med eller overg\u00e5r resultaterne fra den grundl\u00e6ggende model Qwen3.5 med en tilsluttet ekstern Python-tolker. <\/p>\n
<\/center><\/p>\n
Til simuleringen af RAM i modellen benyttes separate lag Gated DeltaNet (line\u00e6re RNN), som anvendes i den standard AI-model Qwen til at gemme \u00e6ndrede tilstande, n\u00e5r man arbejder med store kontekstvinduer. Ved at fastl\u00e5se gate-tilstanden og anvende en unitarisk kodning (one-hot) overskriver hver skriveanmodning pr\u00e6cis \u00e9n r\u00e6kke i tilstands-matrixen, hvilket muligg\u00f8r brugen af DeltaNet-tilstanden som adresserbar hukommelse af fast st\u00f8rrelse, samtidig med at man undg\u00e5r line\u00e6r v\u00e6kst i KV-cachen (Key-Value) ved forl\u00e6ngelse af konteksten. I denne hukommelse placeres CPU-registre, data og den eksekverede maskinkode. <\/p>\n
<\/center><\/p>\n
CPU-instruktioner s\u00e5som l\u00e6sning af registre, aritmetiske operationer og betingede spring kompileres direkte til v\u00e6gtene i transformerlagene. Hver instruktion tildeles specialtokens (ADDR, VAL, STEP), som AI-modellen fortolker som CPU-logik. Til initialisering af CPU'en og indl\u00e6sning af firmware anvendes en lille ekstern driver RvChat, men selve maskinkoden behandles helt internt i modellens v\u00e6gte.<\/p>\n
Projektets begr\u00e6nsninger n\u00e6vner omtrent en fordobling af st\u00f8rrelsen (18,8 GB) sammenlignet med den oprindelige Qwen-model, hvilket prim\u00e6rt skyldes yderligere udfyldning af ekstra lag, der opretholder tilstandssnit (checkpoint). Derudover bem\u00e6rkes en relativt lav beregningshastighed (omkring 3200 tokens per sekund p\u00e5 GPU L4), hvilket betyder, at komplekse beregninger kan tage sekunder i stedet for millisekunder. <\/p>\n
Der er desuden implementeret en variant af AI-modellen med et eksperimentelt filsystem, der g\u00f8r det muligt at gemme op til 512 filer med 53.000 tokens tekst inden i AI-modellens v\u00e6gte. Ligesom i implementeringen af RAM er opbevaringen organiseret i forbindelse med DeltaNet-tilstande, men det adskiller sig ved, at filsystemet sikrer vedvarende opbevaring, der ikke mister tilstand mellem sessionerne.<\/p>\n
Resultaterne fra Qwenputer har ogs\u00e5 dannet grundlag for unders\u00f8gelser af nye potentielle sikkerhedsproblemer inden for AI. Eksemplet med Qwenputer viser, hvordan en specielt modificeret AI-model kan skjule sine r\u00e6sonneringer i RNN-tilstanden og omg\u00e5 overv\u00e5gningsmekanismerne for modellens r\u00e6sonnering (CoT, Chain-of-Thought). Det demonstreres ogs\u00e5 \nmuligheden for at skabe kontrol- og overv\u00e5gningsmekanismer for sikkerhed, der er indlejret i AI-modellens v\u00e6gte, som modellen selv ikke kan deaktivere eller \u00e6ndre. \n Kilde: opennet.ru<\/a> <\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"
![](\"\/wp-content\/uploads\/2026\/10\/63b0b8c6c9f2eb8c2e06773ad737106b.png\")
<\/center><\/p>\n![](\"\/wp-content\/uploads\/2026\/10\/5b25214f8fb3789baf16ad3661df0d31.png\")
<\/center><\/p>\n