最新 10 月 30 日消息，开发者 Divyansh Agrawal 于 10 月 22 日发布实验性模型 Qwenputer，基于阿里 Qwen3.5-4B 构建，在神经网络内部实现了 32 位 RISC-V CPU 与内存功能，让大语言模型无需调用 Python 等外部工具，也能执行程序和精确计算。

最新援引博文介绍，传统 AI 大模型依靠预测下一个词元（Token）生成回答，遇到大整数乘除、长链运算时容易出错，通常需要调用外部计算器或代码解释器。

而 Qwenputer 的解决思路是将 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，从而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%；大整数除法从 72.5% 提升至 97.5%；涉及多次乘除的测试则达到 100%。

在长整数运算基准 NUPA 上，Qwenputer 达到 100%，而标准版仅 48.6%。开发者称，该 CPU 已通过官方 RISC-V 测试，连续执行约 1,800 万条指令未出现错误。

项目还实验性地加入“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 90%，而直接把先前对话内容输入模型的对照方式仅为 30%。

不过，Qwenputer 仍有明显代价：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。

参考

• Qwenputer: a fully functioning, deterministic RISC-V CPU inside Qwen3.5

• 点此访问 Hugging Face 上的 divagr1925/Qwen3.5-4B-Qwenputer

• 点此访问 GitHub 项目