模型發布
Qwenputer 把確定性 RISC-V CPU 編譯進 Qwen3.5 4B 權重,無需外部工具即可執行程式
Hacker News單一來源
核實資料不足
目前依單一來源整理,這是來源數量描述,不是對消息真假的判定。
本次未取得足夠原文證據

社群貼文 Qwenputer 展示一個把 RISC-V CPU 直接編譯進 Qwen 3.5 4B 權重的實驗。作者表示,模型採用原版權重,額外的運算權重加在既有維度與層中,不經訓練,而是由編譯器直接設定權重。據文章描述,此 CPU 利用模型中 Gated DeltaNet 層的狀態矩陣作為 RAM:作者將閘門設為 1、寫入強度 beta 設為 1,並以 one-hot 鍵值編碼,使每次寫入精確覆寫一列、每次查詢可取回精確數值。Qwen3-Next 與 Qwen 3.5 原本即採用 Gated DeltaNet 作為約 3/4 注意力層的機制,Schlag 等人(2021)曾指出 delta rule 可作為關聯記憶,本實驗的新處在於使其精確可定址。
該 CPU 為 32 位元 RV32IM 核心(另含 Zba 擴充與小型大數運算單元),佔用模型前 32 層中的 11 層。文章宣稱其通過官方 riscv-tests、程式輸出與 qemu 一致,並在無外部校正下自由運行 1,800 萬條指令而無錯誤。作者也說明它可在前向傳播中執行 C 與 MicroPython,但速度較慢,且尚非 Linux 等級。模型透過沿用工具呼叫格式與內部驅動程式 RvChat 載入韌體,並非外部工具或沙箱。
在 DeepMind 的 div_big 測試中,文章稱 Qwenputer 得 97.5%,對照為給 Qwen 3.5 4B 加 Python 工具的 95%、基礎 Qwen 的 72.5%;mul_big 測試中 Qwenputer 同為 97.5%,而加 Python 工具為 100%。此來源目前僅為單一社群來源,相關數據與架構說法尚未經獨立驗證。
讀原始報導背景
Gated DeltaNet 是一種線性 RNN 架構,出自 arXiv 論文 2412.06464,結合閘控(gating)與 delta rule 來改進 Mamba2,論文指出它在語言建模等多項基準上優於 Mamba2 與 DeltaNet。其官方 PyTorch 實作收錄於 NVlabs 的 GitHub 專案(ICLR 2025),該專案表示它的訓練吞吐量表現優於 Mamba2 與 Samba。RISC-V 則是一種免費開放的指令集架構(ISA),以 RISC 設計原則為基礎,規格以寬鬆的開源授權釋出,無須支付權利金,與 x86、ARM 等專有架構不同。
社群討論
討論整體肯定這類把 CPU 嵌入 LLM 的實驗有助於破除「只是預測下一字」的質疑,並認為將確定性運算直接接入模型可能有助於持續學習與可靠推理。但質疑聲浪也不小:有人指出宿主 runtime 仍需負責載入與啟動,「無外部工具」的說法不夠透明;也有人質疑 Qwen 在計算測試中僅 97.5% 的準確率,作為計算器是否實用,並認為效果與 Python 工具相比仍有落差。另有留言認為 GDN 狀態與一般 attention 在原理上可達成相同功能,只是效率較差。