{"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\/es\/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 edici\u00f3n del modelo AI Qwen3.5, capaz de simular CPU RISC-V para ejecutar c\u00f3digo en C y MicroPython","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
En el marco del proyecto Qwenputer, los investigadores han preparado una versi\u00f3n ampliada del modelo de IA Qwen3.5-4B, que incluye un simulador integrado de un CPU de 32 bits basado en la arquitectura RISC-V (RV32IM), que soporta la extensi\u00f3n Zba y est\u00e1 equipado con un coprocesador bignum para operaciones aritm\u00e9ticas con n\u00fameros grandes. La implementaci\u00f3n del n\u00facleo CPU se ha compilado en un conjunto de pesos e integrado en un gran modelo de lenguaje en forma de 11 capas adicionales de transformadores, que se han a\u00f1adido antes de las capas principales de Qwen. Los c\u00e1lculos se realizan directamente durante el paso directo (forward pass) de la red neuronal, sin conexi\u00f3n a herramientas o plugins externos.<\/p>\n
La implementaci\u00f3n supera con \u00e9xito todos los controles del conjunto oficial de pruebas riscv-tests y es capaz de ejecutar c\u00f3digo compilado en C y MicroPython. Al llevar a cabo c\u00e1lculos aritm\u00e9ticos con n\u00fameros grandes, Qwenputer garantiza una precisi\u00f3n del 97.5-100%, que es comparable o superior a los resultados del modelo base Qwen3.5 con un int\u00e9rprete externo de Python conectado. <\/p>\n
<\/center><\/p>\n
Para simular la memoria RAM en el modelo se han utilizado capas separadas de Gated DeltaNet (RNN lineales), que se aplican en el modelo AI est\u00e1ndar de Qwen para mantener el estado modificado al trabajar con ventanas de contexto amplias. Al fijar el estado de la puerta y aplicar codificaci\u00f3n unitaria (one-hot), cada solicitud de escritura sobrescribe exactamente una fila de la matriz de estado, lo que permite usar el estado DeltaNet como memoria direccionable de tama\u00f1o fijo, evitando el crecimiento lineal del cach\u00e9 KV (Key-Value) al aumentar la longitud del contexto. En tal memoria se almacenan los registros del CPU, los datos y el c\u00f3digo m\u00e1quina ejecutado. <\/p>\n
<\/center><\/p>\n
Las instrucciones del procesador, como la lectura de registros, las operaciones aritm\u00e9ticas y las transiciones condicionales, se compilan directamente en los pesos de las capas del transformador. A cada instrucci\u00f3n se le asignan tokens especiales (ADDR, VAL, STEP), que las capas del modelo de IA interpretan como la l\u00f3gica de funcionamiento del CPU. Para inicializar el CPU y cargar el firmware se utiliza un peque\u00f1o controlador externo RvChat, pero el c\u00f3digo m\u00e1quina se procesa completamente dentro de los pesos del modelo.<\/p>\n
Entre las limitaciones del proyecto se menciona un aumento de tama\u00f1o aproximadamente dos veces mayor en comparaci\u00f3n con el modelo original Qwen (18.8 GB) al mantener los puntos de control (checkpoint), lo que ocurre principalmente debido al relleno adicional de capas adicionales. Tambi\u00e9n se observa una velocidad de c\u00e1lculo relativamente baja (alrededor de 3200 tokens por segundo en GPU L4), lo que puede hacer que c\u00e1lculos complejos tarden segundos en lugar de milisegundos. <\/p>\n
Adem\u00e1s, se ha implementado una variante del modelo de IA con un sistema de archivos experimental que permite almacenar hasta 512 archivos con 53,000 tokens de texto dentro de los pesos del modelo de IA. Al igual que en la implementaci\u00f3n de la memoria RAM, el almacenamiento se organiza en funci\u00f3n de los estados de DeltaNet, pero se diferencia en que el sistema de archivos proporciona almacenamiento permanente, que no pierde estado entre sesiones.<\/p>\n
Los avances de Qwenputer tambi\u00e9n han servido de base para investigar nuevos problemas potenciales de seguridad en IA. A trav\u00e9s de Qwenputer se demostr\u00f3 c\u00f3mo un modelo de IA modificado espec\u00edficamente puede ocultar sus razonamientos en el estado de RNN y eludir los mecanismos de monitoreo del razonamiento del modelo (CoT, Chain-of-Thought). Tambi\u00e9n se ha demostrado \nla posibilidad de crear mecanismos de control y monitoreo de seguridad, integrados en los pesos del modelo de IA, que la propia modelo no puede desactivar o modificar. \n Fuente: 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