人工智能工程师 Divyansh Agrawal 近日公布了一项名为 Qwenputer 的实验性项目。该方案将一款标准的 Qwen 3.5 4B 大语言模型（LLM）与一个直接编译并嵌入其权重中的 32 位 RISC-V CPU 相结合，实现了在模型内部执行计算任务的能力。
无需外部运行时的内置算力
Qwenputer 的核心特性在于其不依赖任何外部运行时环境或工具调用。通过内置的 RISC-V CPU，该模型可以直接处理算术运算，甚至支持运行 C 语言和 MicroPython 代码。这一设计有效弥补了传统 LLM 在精确数学计算方面的短板。尽管性能有限，但演示视频显示，Qwenputer 确实能在其内置 CPU 上运行经典游戏《毁灭战士》（DOOM），尽管速度较慢。
开发者指出，这种“CPU”的实现方式与传统 LLM 的训练过程不同，添加处理器逻辑无需重新训练模型。RISC-V CPU 指令集被映射到 Qwen 自身的前 11 个 Transformer 层中，这些层的权重并非通过学习获得，而是由编译器直接计算生成。据 Agrawal 介绍，Qwenputer 内置的 CPU 已通过官方 RISC-V 测试套件验证，其执行结果与 QEMU 模拟器一致，并在运行超过 1800 万条指令的过程中未出现错误。
Gated DeltaNet 状态作为 RAM 的创新应用
在技术实现上，Agrawal 利用 Qwen 模型的 Gated DeltaNet (GND) 状态机制来模拟随机存取存储器（RAM）。虽然使用“快速权重”作为内存的概念并非全新，但将其应用于修改后的 Qwen 3.5 架构中尚属首次尝试。
为了扩展功能，Agrawal 还为系统配备了一个文件系统。由于底层已具备 RAM 模拟能力，文件系统的构建相对简单，同样基于 DeltaNet 状态进行存储。该系统提供 1,024 个槽位，最多可容纳 512 个文件。若在与 LLM 对话结束时保存状态，这些数据即可实现持久化存储。
资源需求与项目现状
由于集成了额外的计算和存储模块，Qwenputer 的显存占用量约为原始 Qwen 3.5 4B 模型的两倍，达到近 19GB。因此，Agrawal 建议使用配备 24GB VRAM 或更高规格显卡的工作站进行测试。目前，开发者正在致力于优化编码效率以提升运行速度。
Qwenputer 目前仍处于实验阶段，主要旨在探索大语言模型内部集成传统计算架构的可能性。该项目代码已在 GitHub 上以 MIT 许可证开源，相关模型权重也可通过 Hugging Face 获取。
