Malý jazykový model Qwen3.5-4B od Alibaby sám správně vyřeší jen 55 % úloh na násobení velkých čísel ze sady od DeepMindu. Obvyklou pomocí bývá nástroj, který výpočet pošle do Pythonu mimo model. Divyansh Agrawal zvolil opačnou cestu. Jeho projekt Qwenputer vkládá 32bitový procesor RISC-V přímo do vah modelu. Procesor tvoří 11 vrstev transformeru předřazených 32 vrstvám Qwenu a žádná z jeho vah nevznikla tréninkem, všechny spočítal kompilátor. Jako operační paměť mu slouží vrstvy Gated DeltaNet, které Qwen3.5 sám používá při práci s textem. Původní váhy Qwenu zůstaly beze změny, přibyly jen nové vrstvy a širší skrytá dimenze.
Agrawal se na svém webu představuje jako výzkumník strojového učení, který se věnuje evaluacím, prostředím pro posilované učení a systémům. Qwenputer popsal na blogu 22. října 2026, repozitář na GitHubu založil o tři dny dřív. Kód je pod licencí MIT. Váhy leží na Hugging Face a ModelScope pod licencí Apache 2.0, stejně jako výchozí Qwen3.5-4B. První verze projektu kompilovala do téhož modelu jednodušší virtuální stroj CHIP-8. Agrawal na Qwenputer navázal dvěma texty o bezpečnosti AI, mimo jiné o tom, jak by hybridní modely mohly schovávat své uvažování ve stavu rekurentních vrstev a uniknout tak sledování řetězce úvah (chain of thought).
Paměť stojí na jedné vlastnosti Gated DeltaNet. Tyto lineární rekurentní vrstvy tvoří v modelu Qwen3.5-4B tři ze čtyř vrstev a každá jejich hlava nese stavovou matici, kterou s každým tokenem upravuje. Běžně v ní staré hodnoty postupně slábnou. V Qwenputeru ne. Agrawal nastavil bránu (gate) na 1, takže nic nevyhasíná, a sílu zápisu beta také na 1, aby nová hodnota tu starou úplně nahradila. Klíče navíc mají podobu one-hot vektorů, které ukazují na jediný řádek matice, takže každý zápis přesně přepíše jednu paměťovou buňku a stejně adresovaný dotaz ji beze změny přečte. Na rozdíl od KV cache u klasického mechanismu pozornosti (attention) zůstává stav pořád stejně velký, ať je konverzace jakkoli dlouhá. Že delta pravidlo funguje jako asociativní paměť, ukázali Imanol Schlag, Kazuki Irie a Jürgen Schmidhuber už v roce 2021. Nové je podle Agrawala to, že taková paměť funguje přesně a adresovatelně přímo v hotovém modelu. Procesor implementuje instrukční sadu RV32IM s rozšířením Zba a jednotkou pro počítání s velkými čísly. Každou instrukci tvoří několik generovaných tokenů, dvojice ADDR a VAL zapíše hodnotu na adresu a token STEP instrukci uzavře. Výstup modelu je tedy zároveň záznamem běhu procesoru. Podle autora procesor projde oficiální sadou riscv-tests a programy na něm dávají stejné výsledky jako v emulátoru QEMU. Bez jediné chyby podle něj zvládl 18 milionů instrukcí.
Qwen si o výpočet řekne přes formát pro volání nástrojů, který zná z tréninku. Napíše blok `
` pro nástroj calc stejně jako pro kterýkoli jiný nástroj, jenže ho nikdo mimo model nespustí. Volání přečtou vrstvy procesoru, výpočet provedou a odpověď “ zapíše model sám, číslici po číslici. Úplně bez pomoci zvenčí to ale nejde. Model potřebuje ovladač RvChat, který po promptu nahraje do stavu DeltaNet firmware procesoru a během generování skrývá jeho trasovací tokeny před vrstvami Qwenu. S obyčejným voláním `generate()` proto zatím nefunguje a někteří komentující v diskusi na Hacker News z 29. října 2026 kvůli tomu zpochybnili tvrzení, že model nepotřebuje žádný externí runtime. Procesor sám zvládá i programy v C a MicroPythonu. V základním modelu ho ale Qwen zatím používá jen jako kalkulačku. Nástroj `python()`, přes který by model spouštěl vlastní kód na MicroPythonu ve svých vahách, má Agrawal teprve v plánu. Na aritmetických sadách od DeepMindu, kde každá obsahuje 40 úloh, se úspěšnost Qwenputeru u násobení velkých čísel zvedla z 55 % holého Qwenu na 97,5 %. Qwen s nástrojem v Pythonu měl 100 %. V dělení velkých čísel dosáhl Qwenputer 97,5 % proti 72,5 % u výchozího modelu a 95 % s Pythonem, v sadě s delšími řetězci násobení a dělení pak 100 % proti 90 a 97,5 %. Chybějící procenta podle vývojové dokumentace projektu nejdou na vrub procesoru, ale Qwenu: model třeba ztratil znaménko nebo odpověděl jiným číslem, přestože procesor vrátil správný zlomek. Přehrání zhruba 230 000 výstupních pozic proti referenčnímu stroji neukázalo jedinou odchylku. Běžný text píše Qwenputer prakticky stejně jako původní model, odchylka v rozdělení pravděpodobností (KL divergence 0,0006) je na úrovni šumu 0,0005. Cenou je velikost a rychlost. Checkpoint má 18,8 GB, zhruba dvakrát víc než výchozí Qwen, většinu ale tvoří nulová výplň a model se vejde na jednu grafickou kartu s 24 GB paměti. Každá instrukce stojí několik tokenů, takže velký výpočet trvá sekundy, ne milisekundy. Na kartě Nvidia L4 zvládne procesor asi 3 200 tokenů za sekundu. Všechna čísla pocházejí z autorových měření. Experimentální odnož Qwenputer Filesystem přidává souborový systém. Qwen v ní dostal vedle kalkulačky dalších pět nástrojů (put, append, get, list a delete), které opět obsluhují zkompilované vrstvy. Název souboru se zahashuje do jednoho z 1 024 slotů adresáře uloženého ve stavu DeltaNet, takže vyhledání trvá dva až tři kroky místo procházení celého seznamu, a celý systém pojme až 512 souborů, zhruba 53 000 tokenů textu. Stav lze na konci konverzace uložit a v další ho nahrát, soubory tak vydrží i do nového chatu. V autorově testu se 30 otázkami na údaje, které se v pozdější konverzaci změnily, odpověděl Qwenputer Filesystem správně v 90 % případů. Qwen s předchozími konverzacemi vloženými do promptu měl 30 %, Qwen se stejnými nástroji obsluhovanými Pythonem 83,3 %. Checkpoint má 22,3 GB a za běhu zabere asi 18 GB paměti GPU. Kód zatím leží jen ve vedlejší větvi rv-store. Zdroje: – [Divyansh Agrawal: Qwenputer: a fully functioning, deterministic RISC-V CPU inside Qwen3.5, 22. října 2026](https://divagr.com/blog/qwenputer) – [GitHub: divagr18/qwenputer](https://github.com/divagr18/qwenputer) – [GitHub: Qwenputer, dokumentace RV32 inside Qwen3.5](https://github.com/divagr18/qwenputer/blob/main/experimental/riscv/docs/rv32.md) – [Hugging Face: divagr1925/Qwen3.5-4B-Qwenputer](https://huggingface.co/divagr1925/Qwen3.5-4B-Qwenputer) – [Hugging Face: divagr1925/Qwen3.5-4B-Qwenputer-Filesystem](https://huggingface.co/divagr1925/Qwen3.5-4B-Qwenputer-Filesystem) – [Hugging Face: Qwen/Qwen3.5-4B](https://huggingface.co/Qwen/Qwen3.5-4B) – [Imanol Schlag, Kazuki Irie, Jürgen Schmidhuber: Linear Transformers Are Secretly Fast Weight Programmers, ICML 2021](https://arxiv.org/abs/2102.11174) – [Hacker News: diskuse k článku Qwenputer, 29. října 2026](https://news.ycombinator.com/item?id=50282838)
