开发者把CPU塞进Qwen模型 算数不再靠外挂

大模型做不好算术怎么办？多数方案是让模型调用Python解释器或计算器等外部工具。开发者Divyansh Agrawal则给出了一个更极端的答案：他于10月下旬发布实验性开源模型Qwenputer，基于阿里Qwen3.5-4B构建，把一颗32位RISC-V CPU连同内存直接做进了神经网络权重，让模型不依赖任何外部工具也能执行程序和精确计算。项目已在Hugging Face和GitHub开源。

原理上，传统大模型靠预测下一个词元生成回答，遇到大整数乘除、长链运算时极易出错。Qwenputer的思路是把RISC-V的RV32IM指令集编译进模型权重，并利用Qwen3.5门控DeltaNet层的内部状态充当RAM：开发者锁定了两个关键设置，使状态中的每次写入都精确保留、按行寻址读取，从而把神经网络状态变成可用的内存。整个过程无需训练，由编译器直接算出所需权重写入，新增的11层插在原模型32层之前，原有权重保持不变。

据开发者自报的测试结果，在大整数乘法上原版Qwen3.5-4B准确率约为五成五，Qwenputer提升到九成七五；大整数除法从七成二五升至九成七五；长整数运算基准NUPA则从不足五成跃升至满分。这颗CPU通过了RISC-V官方测试套件，连续执行约1800万条指令未出现错误。

项目还实验性地加入了模型内文件系统，最多可在状态中保存512个文件、约5.3万词元，并在后续对话中加载：跨对话记忆测试的问答准确率达九成，而直接把旧对话贴回上下文的对照方式仅三成。代价同样明显：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，原本毫秒级的计算可能耗时数秒，且需要专用驱动启动，运行环境为单张24GB显存的GPU。

需要指出，上述数据均为开发者自报，目前尚无独立第三方复现，但代码与权重完全开源、可自行验证。有分析认为，把确定性计算写进模型权重的能力，未来或许还能用于内置无法关闭的安全监控模块等方向。

编译自 IT之家，原标题：「Qwenputer 问世：把 RISC-V CPU 指令集塞进模型，AI 算数不再靠外部工具」