Στο πλαίσιο του έργου Qwenputer, οι ερευνητές ανέπτυξαν μια εκτεταμένη έκδοση του μοντέλου τεχνητής νοημοσύνης Qwen3.5-4B, η οποία υλοποιεί έναν ενσωματωμένο προσομοιωτή μιας πλήρους CPU 32-bit βασισμένης στην αρχιτεκτονική RISC-V (RV32IM), υποστηρίζοντας την επέκταση Zba και εξοπλισμένη με έναν συνεπεξεργαστή bignum για αριθμητική μεγάλων αριθμών. Η υλοποίηση του πυρήνα της CPU μεταγλωττίζεται σε ένα σύνολο βαρών και ενσωματώνεται σε ένα μεγαλύτερο μοντέλο γλώσσας ως 11 επιπλέον επίπεδα μετασχηματιστών που προστίθενται πριν από τα κύρια επίπεδα Qwen. Οι υπολογισμοί εκτελούνται απευθείας κατά την προώθηση του νευρωνικού δικτύου, χωρίς την ανάγκη εξωτερικών εργαλείων ή πρόσθετων (plugins).
Η υλοποίηση περνάει με επιτυχία όλες τις δοκιμές στην επίσημη σουίτα riscv-tests και είναι ικανή να εκτελέσει μεταγλωττισμένο κώδικα C και MicroPython. Κατά την εκτέλεση αριθμητικών υπολογισμών με μεγάλους αριθμούς, το Qwenputer επιτυγχάνει ακρίβεια 97.5-100%, η οποία είναι συγκρίσιμη ή καλύτερη από το βασικό μοντέλο Qwen3.5 με εξωτερικό διερμηνέα Python.
Για την προσομοίωση της μνήμης RAM, το μοντέλο χρησιμοποιεί ξεχωριστά επίπεδα Gated DeltaNet (γραμμικά RNN), τα οποία χρησιμοποιούνται στο τυπικό μοντέλο Qwen AI για τη διατήρηση της τροποποιημένης κατάστασης κατά την εργασία με μεγάλα παράθυρα περιβάλλοντος. Κλειδώνοντας την κατάσταση πύλης και χρησιμοποιώντας κωδικοποίηση μίας λειτουργίας, κάθε αίτημα εγγραφής αντικαθιστά ακριβώς μία γραμμή του πίνακα κατάστασης, επιτρέποντας στην κατάσταση DeltaNet να χρησιμοποιηθεί ως μνήμη σταθερού μεγέθους με δυνατότητα διευθυνσιοδότησης, αποφεύγοντας τη γραμμική ανάπτυξη της προσωρινής μνήμης Κλειδιού-Τιμής (KV) καθώς αυξάνεται το μήκος περιβάλλοντος. Αυτή η μνήμη φιλοξενεί καταχωρητές CPU, δεδομένα και εκτελέσιμο κώδικα μηχανής.
Οι εντολές του επεξεργαστή, όπως η ανάγνωση καταχωρητών, οι αριθμητικές πράξεις και τα άλματα υπό όρους, μεταγλωττίζονται απευθείας στα βάρη του επιπέδου μετασχηματιστή. Κάθε εντολή σχετίζεται με ειδικά διακριτικά (ADDR, VAL, STEP), τα οποία τα επίπεδα μοντέλου AI ερμηνεύουν ως λογική της CPU. Ένας μικρός εξωτερικός οδηγός, το RvChat, χρησιμοποιείται για την αρχικοποίηση της CPU και τη φόρτωση του υλικολογισμικού, αλλά ο ίδιος ο κώδικας μηχανής υποβάλλεται σε επεξεργασία εξ ολοκλήρου εντός των βαρών του μοντέλου.
Οι περιορισμοί του έργου περιλαμβάνουν μια περίπου διπλάσια αύξηση στο μέγεθος (18.8 GB) σε σύγκριση με το αρχικό μοντέλο Qwen κατά τη διατήρηση των τμημάτων κατάστασης (σημεία ελέγχου), κυρίως λόγω της πρόσθετης συμπλήρωσης πρόσθετων επιπέδων. Παρατηρείται επίσης μια σχετικά χαμηλή ταχύτητα υπολογισμού (περίπου 3200 διακριτικά ανά δευτερόλεπτο σε μια GPU L4), που σημαίνει ότι οι πολύπλοκοι υπολογισμοί μπορούν να διαρκέσουν δευτερόλεπτα αντί για χιλιοστά του δευτερολέπτου.
Επιπλέον, υλοποιήθηκε μια παραλλαγή του μοντέλου AI με ένα πειραματικό σύστημα αρχείων, επιτρέποντας την αποθήκευση έως και 512 αρχείων με 53 διακριτικά κειμένου εντός των βαρών του μοντέλου AI. Όπως και με την υλοποίηση RAM, η αποθήκευση οργανώνεται με βάση τις καταστάσεις του DeltaNet, αλλά διαφέρει στο ότι το FS παρέχει μόνιμη αποθήκευση που δεν χάνει κατάσταση μεταξύ των συνεδριών.
Το έργο του Qwenputer αποτέλεσε επίσης τη βάση για έρευνα σε νέα πιθανά ζητήματα ασφάλειας στην Τεχνητή Νοημοσύνη. Χρησιμοποιώντας το Qwenputer ως παράδειγμα, αποδείχθηκε πώς ένα ειδικά τροποποιημένο μοντέλο Τεχνητής Νοημοσύνης μπορεί να κρύψει τη συλλογιστική του σε μια κατάσταση RNN και να παρακάμψει τους μηχανισμούς παρακολούθησης της συλλογιστικής του μοντέλου (CoT, Chain-of-Thought). Αποδείχθηκε επίσης
η δυνατότητα δημιουργίας μηχανισμών ελέγχου και παρακολούθησης ασφαλείας ενσωματωμένων στα βάρη του μοντέλου AI, τους οποίους το ίδιο το μοντέλο δεν μπορεί να απενεργοποιήσει ή να τροποποιήσει.
Πηγή: opennet.ru
