{"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\/fr\/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 \u00e9dition du mod\u00e8le d'IA Qwen3.5, capable de simuler un CPU RISC-V pour ex\u00e9cuter du code en C et MicroPython","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
Dans le cadre du projet Qwenputer, les chercheurs ont pr\u00e9par\u00e9 une version \u00e9tendue du mod\u00e8le AI Qwen3.5-4B, qui int\u00e8gre un simulateur complet d'un CPU 32 bits bas\u00e9 sur l'architecture RISC-V (RV32IM), prenant en charge l'extension Zba et \u00e9quip\u00e9 d'un coprocesseur bignum pour les op\u00e9rations arithm\u00e9tiques sur de grands nombres. La mise en \u0153uvre du c\u0153ur CPU est compil\u00e9e en un ensemble de poids et int\u00e9gr\u00e9e dans un grand mod\u00e8le linguistique sous la forme de 11 couches suppl\u00e9mentaires de transformateurs, ajout\u00e9es avant les couches principales de Qwen. Les calculs sont effectu\u00e9s directement pendant le passage avant (forward pass) du r\u00e9seau neuronal, sans outils ou plugins externes.<\/p>\n
L'impl\u00e9mentation passe avec succ\u00e8s tous les tests du jeu officiel de tests riscv-tests et est capable d'ex\u00e9cuter du code compil\u00e9 en C et MicroPython. Lors de l'ex\u00e9cution de calculs arithm\u00e9tiques avec de grands nombres, Qwenputer assure une pr\u00e9cision de 97,5 \u00e0 100 %, ce qui est comparable ou sup\u00e9rieur aux r\u00e9sultats du mod\u00e8le de base Qwen3.5 avec un interpr\u00e9teur Python externe connect\u00e9. <\/p>\n
<\/center><\/p>\n
Pour simuler la m\u00e9moire vive dans le mod\u00e8le, des couches s\u00e9par\u00e9es de Gated DeltaNet (RNN lin\u00e9aires) sont utilis\u00e9es, appliqu\u00e9es dans le mod\u00e8le AI standard Qwen pour conserver un \u00e9tat modifi\u00e9 lors du traitement de grandes fen\u00eatres contextuelles. En fixant l'\u00e9tat du frein et en appliquant un codage unitaire (one-hot), chaque demande d'\u00e9criture r\u00e9\u00e9crit exactement une ligne de la matrice d'\u00e9tat, ce qui permet d'utiliser l'\u00e9tat DeltaNet comme une m\u00e9moire adressable de taille fixe, \u00e9vitant la croissance lin\u00e9aire du cache KV (Key-Value) avec l'augmentation de la longueur du contexte. Dans une telle m\u00e9moire, on place les registres du CPU, les donn\u00e9es et le code machine ex\u00e9cut\u00e9. <\/p>\n
<\/center><\/p>\n
Les instructions du processeur, telles que la lecture des registres, les op\u00e9rations arithm\u00e9tiques et les sauts conditionnels, sont compil\u00e9es directement dans les poids des couches de transformateur. Chaque instruction est associ\u00e9e \u00e0 des tokens sp\u00e9ciaux (ADDR, VAL, STEP), que les couches du mod\u00e8le AI interpr\u00e8tent comme la logique de fonctionnement du CPU. Pour initialiser le CPU et charger le firmware, un petit pilote externe RvChat est utilis\u00e9, mais le code machine est enti\u00e8rement trait\u00e9 \u00e0 l'int\u00e9rieur des poids du mod\u00e8le.<\/p>\n
Parmi les limitations du projet, on mentionne une augmentation d'environ deux fois par rapport \u00e0 la mod\u00e8le original Qwen, atteignant 18,8 Go, tout en conservant les instantan\u00e9s d'\u00e9tat (checkpoint), principalement en raison de l'ajout de couches suppl\u00e9mentaires. On note \u00e9galement une vitesse de calcul relativement faible (environ 3200 jetons par seconde sur le GPU L4), ce qui fait que des calculs complexes peuvent prendre des secondes au lieu de millisecondes. <\/p>\n
Une variante exp\u00e9rimentale du mod\u00e8le IA a \u00e9galement \u00e9t\u00e9 mise en \u0153uvre avec un syst\u00e8me de fichiers, permettant de stocker jusqu'\u00e0 512 fichiers avec 53 000 jetons de texte \u00e0 l'int\u00e9rieur des poids du mod\u00e8le IA. Comme dans la mise en \u0153uvre de la m\u00e9moire vive, le stockage est organis\u00e9 en fonction des \u00e9tats de DeltaNet, mais se distingue par le fait que le syst\u00e8me de fichiers garantit un stockage permanent, sans perte d'\u00e9tat entre les sessions.<\/p>\n
Les r\u00e9sultats de Qwenputer ont \u00e9galement servi de base \u00e0 l'\u00e9tude de nouvelles probl\u00e9matiques potentielles de s\u00e9curit\u00e9 en IA. \u00c0 travers l'exemple de Qwenputer, il est d\u00e9montr\u00e9 comment un mod\u00e8le IA sp\u00e9cialement modifi\u00e9 peut dissimuler son raisonnement dans l'\u00e9tat RNN et contourner les m\u00e9canismes de surveillance du raisonnement du mod\u00e8le (CoT, Chain-of-Thought). \u00c9galement d\u00e9montr\u00e9 \nla possibilit\u00e9 de cr\u00e9er des m\u00e9canismes de contr\u00f4le et de surveillance de la s\u00e9curit\u00e9, int\u00e9gr\u00e9s aux poids du mod\u00e8le IA, que le mod\u00e8le lui-m\u00eame ne peut ni d\u00e9sactiver ni modifier. \n Source : 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