{"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\/sv\/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 en AI-modellversion av Qwen3.5, som kan simulera RISC-V CPU f\u00f6r att k\u00f6ra kod i C och MicroPython.","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
Inom ramen f\u00f6r Qwenputer-projektet har forskarna f\u00f6rberett en ut\u00f6kad version av AI-modellen Qwen3.5-4B, d\u00e4r en inbyggd simulator f\u00f6r en fullst\u00e4ndig 32-bitars CPU baserad p\u00e5 RISC-V-arkitektur (RV32IM) har implementerats, vilket st\u00f6der Zba-till\u00e4gget och \u00e4r utrustad med en bignum-kopressessor f\u00f6r aritmetiska operationer med stora tal. Implementeringen av CPU-k\u00e4rnan har kompilerats i ett viktupps\u00e4ttning och integrerats i en st\u00f6rre spr\u00e5kmodell i form av 11 ytterligare transformationslager, som har lagts till f\u00f6re de huvudsakliga Qwen-lagren. Ber\u00e4kningarna utf\u00f6rs direkt under den fram\u00e5tg\u00e5ende genomg\u00e5ngen (forward pass) av neuronn\u00e4tverket, utan att anv\u00e4nda externa verktyg eller plugins.<\/p>\n
Implementeringen klarar alla tester fr\u00e5n den officiella testupps\u00e4ttningen riscv-tests och kan k\u00f6ra kompilerad kod p\u00e5 C och MicroPython. Vid aritmetiska ber\u00e4kningar med stora tal s\u00e4kerst\u00e4ller Qwenputer en noggrannhet p\u00e5 97,5-100%, vilket \u00e4r j\u00e4mf\u00f6rbart med eller \u00f6vertr\u00e4ffar resultaten av den grundl\u00e4ggande modellen Qwen3.5 med en ansluten extern Python-tolk. <\/p>\n
<\/center><\/p>\n
F\u00f6r att simulera det tempor\u00e4ra minnet i modellen anv\u00e4nds separata lager av Gated DeltaNet (linj\u00e4ra RNN), som anv\u00e4nds i den vanliga AI-modellen Qwen f\u00f6r att bevara det \u00e4ndrade tillst\u00e5ndet vid arbete med stora kontextf\u00f6nster. Genom att fixera tillst\u00e5ndet f\u00f6r gaten och till\u00e4mpa enhetskodsning (one-hot) skrivs varje skrivf\u00f6rfr\u00e5gan \u00f6ver exakt en rad i tillst\u00e5ndsmatrisen, vilket g\u00f6r att DeltaNet-tillst\u00e5ndet kan anv\u00e4ndas som adresserbart minne med fast storlek, vilket undviker linj\u00e4r tillv\u00e4xt av KV-cache (Key-Value) n\u00e4r l\u00e4ngden p\u00e5 kontexten \u00f6kar. I detta minne placeras CPU-registren, data och den k\u00f6rda maskinkoden. <\/p>\n
<\/center><\/p>\n
Processorinstruktioner, s\u00e5som l\u00e4sning av registren, aritmetiska operationer och villkors\u00f6verg\u00e5ngar, kompileras direkt till vikterna i transformationslagren. Speciella token (ADDR, VAL, STEP) kopplas till varje instruktion, vilka AI-modellen tolkar som logik f\u00f6r CPU:n. F\u00f6r att initiera CPU:n och ladda fastvaran anv\u00e4nds en liten extern RvChat-drivrutin, men sj\u00e4lva maskinkoden bearbetas helt inom modellens vikter.<\/p>\n
Bland projektets begr\u00e4nsningar n\u00e4mns en ungef\u00e4r dubblering i storlek j\u00e4mf\u00f6rt med den ursprungliga Qwen-modellen (18,8 GB) vid bevarande av tillst\u00e5ndsverk (checkpoint), vilket fr\u00e4mst beror p\u00e5 till\u00e4gg av extra lager. Det noteras ocks\u00e5 att ber\u00e4kningshastigheten \u00e4r relativt l\u00e5g (ungef\u00e4r 3200 token per sekund p\u00e5 GPU L4), vilket g\u00f6r att komplexa ber\u00e4kningar kan ta sekunder ist\u00e4llet f\u00f6r millisekunder. <\/p>\n
Dessutom har en variant av AI-modellen implementerats med ett experimentellt filsystem som m\u00f6jligg\u00f6r lagring av upp till 512 filer med 53 000 tokens text inuti AI-modellens vikter. Liksom i implementeringen av RAM organizeras lagringen i koppling till DeltaNet-tillst\u00e5nd, men skiljer sig genom att filsystemet erbjuder permanent lagring, som inte f\u00f6rlorar sitt tillst\u00e5nd mellan sessioner.<\/p>\n
Qwenputers framsteg har ocks\u00e5 legat till grund f\u00f6r forskning kring nya potentiella s\u00e4kerhetsproblem i AI. Exemplet Qwenputer visar hur en s\u00e4rskilt modifierad AI-modell kan d\u00f6lja sina resonemang i RNN-tillst\u00e5ndet och kringg\u00e5 \u00f6vervakningsmekanismer f\u00f6r modellens resonemang (CoT, Chain-of-Thought). Dessutom demonstrerades \nm\u00f6jligheten att skapa kontroll- och \u00f6vervakningsmekanismer f\u00f6r s\u00e4kerhet, inb\u00e4ddade i AI-modellens vikter, som modellen sj\u00e4lv inte kan st\u00e4nga av eller \u00e4ndra. \n K\u00e4lla: 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