Qwenputer问世：RISC-V指令集嵌入模型
开发者 Divyansh Agrawal 于10月22日发布实验模型 Qwenputer，该模型基于 Qwen3.5-4B 构建，将 RISC-V 指令集与内存功能嵌入神经网络，使大语言模型无需调用外部工具即可执行程序并完成精确计算，多项长整数运算测试准确率明显提升。
驱动中国10月30日消息，开发者 Divyansh Agrawal 于10月22日发布实验性模型 Qwenputer。该模型基于阿里 Qwen3.5-4B 构建，在神经网络内部实现32位 RISC-V CPU 与内存功能，使大语言模型无需调用 Python 等外部工具，也能执行程序并完成精确计算。
传统大语言模型依靠预测下一个词元生成回答，在大整数乘除、长链运算等场景中容易出错，通常需要调用外部计算器或代码解释器。Qwenputer 将 RISC-V 的 RV32IM 指令集及相关扩展编译进模型权重，并利用 Qwen3.5 的门控 DeltaNet 内部状态充当 RAM，在模型中构建可执行算术、条件分支和程序的 CPU。
测试结果显示，在大整数乘法中，原版 Qwen3.5-4B 准确率为55%，Qwenputer 提升至97.5%；大整数除法准确率从72.5%提升至97.5%；涉及多次乘除的测试达到100%。在长整数运算基准 NUPA 上，Qwenputer 达到100%，标准版为48.6%。开发者称，该 CPU 已通过官方 RISC-V 测试，连续执行约1800万条指令未出现错误。
项目还实验性加入模型内文件系统，可在门控 DeltaNet 状态中保存最多512个文件、约5.3万个词元，并在后续对话中加载。测试中，利用先前对话保存信息的回答准确率达到90%，而直接把先前对话内容输入模型的对照方式仅为30%。
Qwenputer 也存在明显代价。模型体积增至约18.8GB，接近原版两倍；每条 CPU 指令需要生成多个词元，原本几毫秒的计算可能耗时数秒；运行还需要专用驱动，不能像普通大模型那样直接加载。项目已在 Hugging Face 和 GitHub 开源，可在配备24GB显存的单张 GPU 上运行。项目说明将 Qwenputer 描述为在 Qwen3.5 中完整运行、确定性的 RISC-V CPU，Hugging Face 模型标识为 divagr1925/Qwen3.5-4B-Qwenputer。