{"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\/de\/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 die AI-Modellversion Qwen3.5, die in der Lage ist, einen RISC-V CPU zu simulieren, um Code in C und MicroPython auszuf\u00fchren","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
Im Rahmen des Projekts Qwenputer haben Forscher eine erweiterte Version des KI-Modells Qwen3.5-4B entwickelt, die einen integrierten Simulator einer vollwertigen 32-Bit-CPU auf Basis der RISC-V-Architektur (RV32IM) umfasst. Diese unterst\u00fctzt die Erweiterung Zba und ist mit einem Bignum-Coprozessor f\u00fcr arithmetische Operationen mit gro\u00dfen Zahlen ausgestattet. Die Implementierung des CPU-Kerns wurde in ein Gewichtssatz kompiliert und in ein gro\u00dfes Sprachmodell integriert, indem 11 zus\u00e4tzliche Transformatorschichten vor den Hauptschichten von Qwen hinzugef\u00fcgt wurden. Die Berechnungen erfolgen direkt im Verlauf des neuronalen Netzwerks, ohne externe Werkzeuge oder Plugins zu verwenden.<\/p>\n
Die Implementierung besteht alle Tests des offiziellen Testsets riscv-tests und kann kompilierten Code in C und MicroPython ausf\u00fchren. Bei der Durchf\u00fchrung von arithmetischen Berechnungen mit gro\u00dfen Zahlen bietet Qwenputer eine Genauigkeit von 97,5-100 %, was mit den Ergebnissen des Basismodells Qwen3.5 mit angeschlossenem externen Python-Interpreter vergleichbar oder besser ist. <\/p>\n
<\/center><\/p>\n
F\u00fcr die Simulation des Arbeitsspeichers in dem Modell werden separate Schichten von Gated DeltaNet (lineare RNN) verwendet, die in der Standard-KI-Modell Qwen implementiert sind, um den ge\u00e4nderten Zustand bei der Verarbeitung gro\u00dfer Kontextfenster zu speichern. Durch die Fixierung des Gate-Zustands und die Anwendung von One-Hot-Codierung wird jede Schreibanforderung genau eine Zeile der Zustandsmatrix \u00fcberschreiben, was es erm\u00f6glicht, den DeltaNet-Zustand als adressierbaren Speicher fester Gr\u00f6\u00dfe zu nutzen und ein lineares Wachstum des KV-Caches (Key-Value) bei zunehmender Kontextl\u00e4nge zu vermeiden. In einem solchen Speicher werden die CPU-Register, Daten und der ausf\u00fchrbare Maschinencode untergebracht. <\/p>\n
<\/center><\/p>\n
Die Prozessoranweisungen, wie das Lesen von Registern, arithmetische Operationen und bedingte Spr\u00fcnge, werden direkt in die Gewichte der Transformatorschichten kompiliert. Jede Anweisung wird mit speziellen Tokens (ADDR, VAL, STEP) verkn\u00fcpft, die von den Schichten des KI-Modells als Logik des CPU-Betriebs interpretiert werden. Zur Initialisierung der CPU und zum Laden der Firmware wird ein kleiner externer Treiber namens RvChat verwendet, aber der Maschinencode wird vollst\u00e4ndig innerhalb der Gewichte des Modells verarbeitet.<\/p>\n
In den Einschr\u00e4nkungen des Projekts wird eine etwa doppelte Vergr\u00f6\u00dferung im Vergleich zum Originalmodell Qwen erw\u00e4hnt (18,8 GB) bei der Speicherung von Zustandsschnitten (Checkpoint), die haupts\u00e4chlich durch zus\u00e4tzliches Filling von weiteren Schichten verursacht wird. Es wird auch eine relativ niedrige Rechenleistung festgestellt (ca. 3200 Tokens pro Sekunde auf GPU L4), weshalb komplexe Berechnungen m\u00f6glicherweise Sekunden statt Millisekunden in Anspruch nehmen k\u00f6nnen. <\/p>\n
Zus\u00e4tzlich wurde eine Variante des KI-Modells mit einem experimentellen Dateisystem implementiert, das es erm\u00f6glicht, bis zu 512 Dateien mit 53.000 Tokens Text innerhalb der Gewichte des KI-Modells zu speichern. Wie im RAM ist die Speicherung an die Zust\u00e4nde von DeltaNet gebunden, unterscheidet sich jedoch darin, dass das FS eine dauerhafte Speicherung bietet, die den Zustand zwischen den Sitzungen nicht verliert.<\/p>\n
Die Entwicklungen von Qwenputer flossen auch in die Untersuchung neuer potenzieller Sicherheitsprobleme in KI ein. Am Beispiel von Qwenputer wird gezeigt, wie ein speziell modifiziertes KI-Modell seine \u00dcberlegungen im RNN-Zustand verbergen und die \u00dcberwachungsmechanismen der Modell\u00fcberlegungen (CoT, Chain-of-Thought) umgehen kann. Es wurde ebenfalls demonstriert, \nwie Mechanismen zur Kontrolle und \u00dcberwachung der Sicherheit erstellt werden k\u00f6nnen, die in die Gewichte des KI-Modells integriert sind und die das Modell selbst nicht deaktivieren oder \u00e4ndern kann. \n Quelle: 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