{"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\/pt\/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 edi\u00e7\u00e3o do modelo de IA Qwen3.5, capaz de simular CPU RISC-V para executar c\u00f3digo em C e MicroPython","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
No \u00e2mbito do projeto Qwenputer, pesquisadores desenvolveram uma vers\u00e3o ampliada do modelo de IA Qwen3.5-4B, que inclui um simulador integrado de um CPU de 32 bits baseado na arquitetura RISC-V (RV32IM), suportando a extens\u00e3o Zba e equipado com um coprocessador bignum para opera\u00e7\u00f5es aritm\u00e9ticas com n\u00fameros grandes. A implementa\u00e7\u00e3o do n\u00facleo do CPU foi compilada em um conjunto de pesos e integrada a um grande modelo de linguagem na forma de 11 camadas adicionais de transformadores, adicionadas antes das camadas principais do Qwen. Os c\u00e1lculos s\u00e3o realizados diretamente durante o processo de passagem direta (forward pass) da rede neural, sem a necessidade de ferramentas ou plugins externos.<\/p>\n
A implementa\u00e7\u00e3o passa com sucesso por todos os testes do conjunto oficial de testes riscv-tests e \u00e9 capaz de executar c\u00f3digo compilado em C e MicroPython. Ao realizar c\u00e1lculos aritm\u00e9ticos com n\u00fameros grandes, o Qwenputer garante uma precis\u00e3o de 97,5-100%, o que \u00e9 compar\u00e1vel ou superior aos resultados do modelo base Qwen3.5 com um interpretador Python externo conectado. <\/p>\n
<\/center><\/p>\n
Para simular a mem\u00f3ria RAM, o modelo utiliza camadas separadas de Gated DeltaNet (RNNs lineares), empregadas no modelo AI padr\u00e3o Qwen para preservar o estado alterado ao trabalhar com janelas de contexto grandes. Ao fixar o estado do gate e aplicar codifica\u00e7\u00e3o unit\u00e1ria (one-hot), cada solicita\u00e7\u00e3o de grava\u00e7\u00e3o sobrescreve exatamente uma linha da matriz de estado, permitindo que o estado do DeltaNet funcione como uma mem\u00f3ria endere\u00e7\u00e1vel de tamanho fixo, evitando o crescimento linear do cache KV (Key-Value) \u00e0 medida que o comprimento do contexto aumenta. Nesta mem\u00f3ria, s\u00e3o armazenados os registradores do CPU, os dados e o c\u00f3digo de m\u00e1quina em execu\u00e7\u00e3o. <\/p>\n
<\/center><\/p>\n
As instru\u00e7\u00f5es do processador, como leitura de registradores, opera\u00e7\u00f5es aritm\u00e9ticas e saltos condicionais, s\u00e3o compiladas diretamente em pesos das camadas do transformador. Cada instru\u00e7\u00e3o \u00e9 associada a tokens especiais (ADDR, VAL, STEP), que as camadas do modelo de IA interpretam como a l\u00f3gica de opera\u00e7\u00e3o do CPU. Para inicializar o CPU e carregar o firmware, \u00e9 utilizado um pequeno driver externo RvChat, mas o c\u00f3digo de m\u00e1quina \u00e9 processado completamente dentro dos pesos do modelo.<\/p>\n
As restri\u00e7\u00f5es do projeto mencionam um aumento de quase o dobro em rela\u00e7\u00e3o ao modelo original Qwen, com um tamanho de 18,8 GB, ao manter os checkpoints, principalmente devido ao preenchimento adicional de camadas extras. Tamb\u00e9m \u00e9 observada uma velocidade de computa\u00e7\u00e3o relativamente baixa (cerca de 3200 tokens por segundo na GPU L4), o que pode fazer com que c\u00e1lculos complexos demorem segundos, em vez de milissegundos. <\/p>\n
Al\u00e9m disso, uma vers\u00e3o do modelo de IA foi implementada com um sistema de arquivos experimental, permitindo armazenar at\u00e9 512 arquivos com 53 mil tokens de texto dentro dos pesos do modelo de IA. Assim como na implementa\u00e7\u00e3o da mem\u00f3ria operacional, o armazenamento \u00e9 organizado em rela\u00e7\u00e3o aos estados DeltaNet, mas difere por garantir armazenamento permanente, que n\u00e3o perde o estado entre as sess\u00f5es.<\/p>\n
Os desenvolvimentos do Qwenputer tamb\u00e9m serviram de base para investigar novos problemas potenciais de seguran\u00e7a em IA. O exemplo do Qwenputer mostra como um modelo de IA especialmente modificado pode ocultar seu racioc\u00ednio em estados RNN e contornar os mecanismos de monitoramento do racioc\u00ednio do modelo (CoT, Chain-of-Thought). Tamb\u00e9m foi demonstrado \na possibilidade de criar mecanismos de controle e monitoramento de seguran\u00e7a incorporados nos pesos do modelo de IA, que o pr\u00f3prio modelo n\u00e3o pode desativar ou modificar. \n Fonte: 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