{"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\/pl\/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 edycja modelu AI Qwen3.5, zdolna do symulacji CPU RISC-V w celu wykonania kodu w C oraz MicroPython","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
W ramach projektu Qwenputer badacze przygotowali rozszerzon\u0105 wersj\u0119 modelu AI Qwen3.5-4B, kt\u00f3ra zawiera wbudowany symulator pe\u0142noprawnego 32-bitowego CPU opartego na architekturze RISC-V (RV32IM), wspieraj\u0105cego rozszerzenie Zba i wyposa\u017conego w koprocesor bignum do operacji arytmetycznych na du\u017cych liczbach. Realizacja rdzenia CPU zosta\u0142a skompilowana w zestawie wag i zintegrowana z du\u017cym modelem j\u0119zykowym w postaci 11 dodatkowych warstw transformator\u00f3w, dodanych przed g\u0142\u00f3wnymi warstwami Qwen. Obliczenia s\u0105 wykonywane bezpo\u015brednio w procesie przej\u015bcia forward pass sieci neuronowej, bez u\u017cycia zewn\u0119trznych narz\u0119dzi lub wtyczek.<\/p>\n
Realizacja pomy\u015blnie przechodzi wszystkie testy z oficjalnego zestawu test\u00f3w riscv-tests i jest w stanie wykonywa\u0107 skompilowany kod w j\u0119zykach C i MicroPython. Podczas wykonywania oblicze\u0144 arytmetycznych na du\u017cych liczbach Qwenputer zapewnia dok\u0142adno\u015b\u0107 wynosz\u0105c\u0105 97,5-100%, co jest por\u00f3wnywalne lub przewy\u017csza wyniki podstawowego modelu Qwen3.5 z pod\u0142\u0105czonym zewn\u0119trznym interpreteren Python. <\/p>\n
<\/center><\/p>\n
Do symulacji pami\u0119ci operacyjnej w modelu wykorzystano oddzielne warstwy Gated DeltaNet (liniowe RNN), stosowane w podstawowym modelu AI Qwen do zachowania zmienionego stanu podczas pracy z du\u017cymi oknami kontekstowymi. Poprzez zablokowanie stanu bramki i zastosowanie kodowania jednostkowego (one-hot) ka\u017cde \u017c\u0105danie zapisu nadpisuje dok\u0142adnie jeden wiersz macierzy stanu, co pozwala na u\u017cycie stanu DeltaNet jako adresowanej pami\u0119ci o sta\u0142ej wielko\u015bci, unikaj\u0105c liniowego wzrostu pami\u0119ci KV-cache (Key-Value) przy zwi\u0119kszeniu d\u0142ugo\u015bci kontekstu. W takiej pami\u0119ci umieszczane s\u0105 rejestry CPU, dane i wykonywany kod maszynowy. <\/p>\n
<\/center><\/p>\n
Instrukcje procesora, takie jak odczyt rejestr\u00f3w, operacje arytmetyczne i skoki warunkowe, s\u0105 kompilowane bezpo\u015brednio w wagi warstw transformatora. Ka\u017cdej instrukcji przypisane s\u0105 specjalne tokeny (ADDR, VAL, STEP), kt\u00f3re warstwy modelu AI interpretuj\u0105 jako logik\u0119 dzia\u0142ania CPU. Do inicjalizacji CPU i za\u0142adowania oprogramowania u\u017cywa si\u0119 ma\u0142ego zewn\u0119trznego sterownika RvChat, ale sam kod maszynowy jest w pe\u0142ni przetwarzany wewn\u0105trz wag modelu.<\/p>\n
Jednym z ogranicze\u0144 projektu jest oko\u0142o dwukrotny wzrost rozmiaru (18,8 GB) w por\u00f3wnaniu z pierwotnym modelem Qwen, zwi\u0105zany g\u0142\u00f3wnie z dodatkowymi warstwami, kt\u00f3re wprowadzaj\u0105 nadmiarowe wype\u0142nienie. Zauwa\u017cono tak\u017ce stosunkowo nisk\u0105 pr\u0119dko\u015b\u0107 obliczeniow\u0105 (oko\u0142o 3200 token\u00f3w na sekund\u0119 na GPU L4), co sprawia, \u017ce skomplikowane obliczenia mog\u0105 zajmowa\u0107 sekundy, a nie milisekundy. <\/p>\n
Dodatkowo powsta\u0142a wersja modelu AI z eksperymentalnym systemem plik\u00f3w, kt\u00f3ry pozwala na przechowywanie wewn\u0105trz wag modelu AI do 512 plik\u00f3w z 53 tysi\u0105cami token\u00f3w tekstu. Podobnie jak w przypadku pami\u0119ci operacyjnej, przechowywanie jest zorganizowane w zwi\u0105zku z stanami DeltaNet, ale r\u00f3\u017cni si\u0119 tym, \u017ce system plik\u00f3w zapewnia sta\u0142e przechowywanie, kt\u00f3re nie traci stanu mi\u0119dzy sesjami.<\/p>\n
Badania nad Qwenputerem sta\u0142y si\u0119 r\u00f3wnie\u017c podstaw\u0105 do analizy nowych potencjalnych problem\u00f3w bezpiecze\u0144stwa w AI. Na przyk\u0142adzie Qwenputera pokazano, jak specjalnie zmodyfikowany model AI mo\u017ce ukrywa\u0107 swoje rozumowania w stanie RNN i omija\u0107 mechanizmy monitorowania rozumowa\u0144 modelu (CoT, Chain-of-Thought). R\u00f3wnie\u017c zademonstrowano \nmo\u017cliwo\u015b\u0107 tworzenia mechanizm\u00f3w kontroli i monitorowania bezpiecze\u0144stwa, wbudowanych w wagi modelu AI, kt\u00f3re sama model nie mo\u017ce wy\u0142\u0105czy\u0107 ani zmieni\u0107. \n \u0179r\u00f3d\u0142o: 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