{"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\/hu\/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 az AI-modell Qwen3.5 kiad\u00e1sa, amely k\u00e9pes RISC-V CPU-t szimul\u00e1lni C \u00e9s MicroPython k\u00f3dok futtat\u00e1s\u00e1ra","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
A Qwenputer projekt keret\u00e9ben a kutat\u00f3k elk\u00e9sz\u00edtett\u00e9k a Qwen3.5-4B AI-modell kib\u0151v\u00edtett verzi\u00f3j\u00e1t, amely egy teljes \u00e9rt\u00e9k\u0171 32 bites CPU szimul\u00e1tor be\u00e9p\u00edtett v\u00e1ltozat\u00e1t tartalmazza, RISC-V (RV32IM) architekt\u00fara alapjain, amely t\u00e1mogatja a Zba kiterjeszt\u00e9st, \u00e9s bignum seg\u00e9dprocesszorral rendelkezik a nagy sz\u00e1mok aritmetikai m\u0171veleteihez. A CPU mag megval\u00f3s\u00edt\u00e1sa s\u00falyhalmazz\u00e1 van \u00f6ssze\u00e1ll\u00edtva, \u00e9s 11 tov\u00e1bbi transformer r\u00e9teget integr\u00e1lva van a nagy nyelvi modellbe, amelyeket a f\u0151 Qwen r\u00e9tegek el\u00e9 adtak hozz\u00e1. A sz\u00e1m\u00edt\u00e1sok k\u00f6zvetlen\u00fcl a neur\u00e1lis h\u00e1l\u00f3zaton v\u00e9gzett el\u0151rehalad\u00e1s (forward pass) sor\u00e1n t\u00f6rt\u00e9nnek, k\u00fcls\u0151 eszk\u00f6z\u00f6k vagy pluginek csatlakoztat\u00e1sa n\u00e9lk\u00fcl.<\/p>\n
A megval\u00f3s\u00edt\u00e1s sikeresen teljes\u00edti az \u00f6sszes vizsg\u00e1latot az hivatalos riscv-tests teszthalmazb\u00f3l, \u00e9s k\u00e9pes C \u00e9s MicroPython nyelven leford\u00edtott k\u00f3dot futtatni. Nagy sz\u00e1mok aritmetikai sz\u00e1m\u00edt\u00e1sain\u00e1l a Qwenputer 97,5-100% pontoss\u00e1got biztos\u00edt, amely \u00f6sszehasonl\u00edthat\u00f3 vagy fel\u00fclm\u00falja a Qwen3.5 alapmodell eredm\u00e9nyeit k\u00fcls\u0151 Python \u00e9rtelmez\u0151 csatlakoztat\u00e1sa mellett. <\/p>\n
<\/center><\/p>\n
A modellben a mem\u00f3ria szimul\u00e1l\u00e1s\u00e1hoz k\u00fcl\u00f6n Gated DeltaNet r\u00e9tegek (line\u00e1ris RNN) ker\u00fclnek felhaszn\u00e1l\u00e1sra, amelyek az alap AI-modell Qwen \u00e1ltal haszn\u00e1ltak a nagy kontextusablakokkal val\u00f3 munka sor\u00e1n a m\u00f3dos\u00edtott \u00e1llapot meg\u0151rz\u00e9s\u00e9re. A kapu \u00e1llapot\u00e1nak r\u00f6gz\u00edt\u00e9s\u00e9vel \u00e9s a one-hot k\u00f3dol\u00e1s alkalmaz\u00e1s\u00e1val minden \u00edr\u00e1si k\u00e9r\u00e9s pontosan egy sor \u00e1llapotm\u00e1trix-friss\u00edt\u00e9st v\u00e9gez, lehet\u0151v\u00e9 t\u00e9ve, hogy a DeltaNet \u00e1llapot\u00e1t c\u00edmezhet\u0151, r\u00f6gz\u00edtett m\u00e9ret\u0171 mem\u00f3riak\u00e9nt haszn\u00e1lj\u00e1k, elker\u00fclve a KV-cache (Key-Value) line\u00e1ris n\u00f6veked\u00e9s\u00e9t a kontextusz hossz\u00e1nak n\u00f6veked\u00e9sekor. Az ilyen mem\u00f3ria helyet biztos\u00edt a CPU regiszterei, adatai \u00e9s v\u00e9grehajtott g\u00e9pi k\u00f3dja sz\u00e1m\u00e1ra. <\/p>\n
<\/center><\/p>\n
A processzor utas\u00edt\u00e1sait, mint p\u00e9ld\u00e1ul a regiszterek olvas\u00e1sa, aritmetikai m\u0171veletek \u00e9s felt\u00e9teles ugr\u00e1sok, k\u00f6zvetlen\u00fcl a transformer r\u00e9tegek s\u00faly\u00e1ba ford\u00edtj\u00e1k le. Minden utas\u00edt\u00e1shoz speci\u00e1lis tokenek (ADDR, VAL, STEP) kapcsol\u00f3dnak, amelyeket az AI-modell r\u00e9tegei a CPU m\u0171k\u00f6d\u00e9s\u00e9nek logik\u00e1jak\u00e9nt \u00e9rtelmeznek. A CPU inicializ\u00e1l\u00e1s\u00e1hoz \u00e9s a firmware bet\u00f6lt\u00e9s\u00e9hez egy kis k\u00fcls\u0151 RvChat meghajt\u00f3t haszn\u00e1lnak, de mag\u00e1t a g\u00e9pi k\u00f3dot teljes m\u00e9rt\u00e9kben a modell s\u00faly\u00e1ban dolgozz\u00e1k fel.<\/p>\n
A projekt korl\u00e1tai k\u00f6z\u00f6tt eml\u00edtik, hogy a Qwen modellhez k\u00e9pest k\u00f6r\u00fclbel\u00fcl a m\u00e9ret k\u00e9tszeres\u00e9re (18,8 GB) n\u0151, mik\u00f6zben a \u00e1llapotok (checkpoint) ment\u00e9se megmarad, amit f\u0151k\u00e9nt a j\u00e1rul\u00e9kos r\u00e9tegek hozz\u00e1ad\u00e1sa okoz. Ezenk\u00edv\u00fcl viszonylag alacsony a sz\u00e1m\u00edt\u00e1si sebess\u00e9g (kb. 3200 token m\u00e1sodpercenk\u00e9nt az L4 GPU-n), ez\u00e9rt a bonyolult sz\u00e1m\u00edt\u00e1sok m\u00e1sodpercekig, nem pedig milliszekundumokig tarthatnak. <\/p>\n
Tov\u00e1bb\u00e1 megval\u00f3s\u00edtottak egy AI-modellt, k\u00eds\u00e9rleti f\u00e1jlrendszerrel, amely lehet\u0151v\u00e9 teszi az AI-modell s\u00falyai k\u00f6z\u00f6tt legfeljebb 512 f\u00e1jl, 53 ezer token sz\u00f6veg t\u00e1rol\u00e1s\u00e1t. Az operat\u00edv mem\u00f3ri\u00e1hoz hasonl\u00f3an a t\u00e1rol\u00e1s a DeltaNet \u00e1llapotokhoz van k\u00f6tve, de azzal k\u00fcl\u00f6nb\u00f6zik, hogy a f\u00e1jlrendszer folyamatos t\u00e1rol\u00e1st biztos\u00edt, amely nem veszti el az \u00e1llapot\u00e1t a munkamenetek k\u00f6z\u00f6tt.<\/p>\n
A Qwenputer el\u0151k\u00e9sz\u00edt\u00e9se szint\u00e9n alapot szolg\u00e1ltatott az AI-lehets\u00e9ges biztons\u00e1gi probl\u00e9m\u00e1inak \u00faj kutat\u00e1s\u00e1hoz. A Qwenputer p\u00e9ld\u00e1j\u00e1n bemutatt\u00e1k, hogyan tud egy kifejezetten m\u00f3dos\u00edtott AI-modell elrejteni \u00e9rvel\u00e9seit az RNN \u00e1llapotban, \u00e9s megker\u00fclni a modell \u00e9rvel\u00e9s\u00e9nek megfigyel\u00e9si mechanizmusait (CoT, Chain-of-Thought). Tov\u00e1bb\u00e1 bemutatt\u00e1k, \nhogy lehet\u0151s\u00e9gek j\u00f6nnek l\u00e9tre a biztons\u00e1gi ellen\u0151rz\u00e9si \u00e9s megfigyel\u00e9si mechanizmusok integr\u00e1l\u00e1s\u00e1ra az AI-modell s\u00falyaiban, amelyeket a modell maga nem tud kikapcsolni vagy m\u00f3dos\u00edtani. \n Forr\u00e1s: 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