给Qwen 4B里塞进完整计算机，神迹出现了｜Qwenputer

Qwenputer：把完整RISC-V CPU编译进模型权重

开发者div（@divagr1925）直接在Qwen3.5-4B的模型权重里，编译并嵌入了一台完整的32位RISC-V CPU（RV32IM + Zba扩展 + 大数运算协处理器）。更离谱的是，这台虚拟CPU把模型自身的Gated DeltaNet层当成了RAM来用。它不是外挂插件，不是工具调用，也不是沙盒模拟——整个CPU就跑在模型的前向传播（forward pass）里，确定性执行指令，能跑C程序，甚至能跑MicroPython，还能当memory记住用户历史操作。

简单说：以前大模型做数学题，要么“猜”答案，要么调用外部Python解释器。现在这位开发者直接给模型内部装上了一台真正的计算机，让它自己算。

性能表现：算术准确率跃升至100%

在NUPA长整数算术测试中，基础Qwen3.5-4B准确率只有48.6%，Qwenputer直接拉到100%，和调用外部Python工具的表现持平甚至更好。

在DeepMind相关算术集上：

• 基础模型：55%–90%
• 基础模型 + Python工具：95%–100%
• Qwenputer：97.5%–100%（完全不需要外部工具）

它通过了官方riscv-tests，程序行为与QEMU一致，自由运行了约1800万条指令无错误。CPU占用了Qwen前面的11层（权重由编译器直接计算，不是训练出来的），Qwen原有权重基本不动。模型大小约18.8GB（bf16），24GB显存就能跑。

作者还顺手做了个进阶版：把文件系统也塞进Gated DeltaNet状态里。对话结束后保存状态，下次加载，文件还在。多会话事实回忆准确率从个位数飙到80%–90%以上。

Gated DeltaNet被改造成精确RAM

Qwen3.5大量使用Gated DeltaNet（线性RNN式注意力）。作者发现，只要把门控和写入强度固定为1，再用one-hot键选地址，这些层就能变成精确的、固定大小的RAM。状态不会随着对话变长而膨胀，读写精确。这相当于把模型内部的“循环记忆”硬改造成了真正的计算机内存。

从“预测”到“执行”的质变

大模型一直擅长模式匹配和概率预测，但在精确计算、长链条确定性任务上容易翻车。Qwenputer把确定性计算能力直接编译进权重，等于给模型装上了“内置计算器+小型计算机”。这比单纯靠更多参数“记住”计算规则更优雅，也更可靠。

对AI原生操作系统与Agent架构的启示

现在很多Agent依赖外部工具调用（tool use），延迟高、依赖运行时环境。如果模型自身就能确定性执行代码、维护文件系统、做精确计算，那工具调用循环可以大幅缩短，甚至部分场景直接内置。当然，目前速度还比较慢（L4上大约每秒三千多trace tokens），但方向很有想象力。

开源实验的价值

这不是商业大厂闭门造车，而是个人开发者（Qwen大使）基于开源模型做的疯狂实验，而且完整开源。它再次证明：开放权重 + 开放架构，才能真正激发这种“把计算机塞进神经网络”的玩法。

当然，它目前还是实验性质的：速度有限、能力主要集中在算术和简单程序执行、对原模型语言能力几乎无影响（KL散度极低）。但它已经把一个很重要的问题摆到了台面上——神经网络到底能不能真正“运行”确定性计算，而不是只是模拟它？

答案似乎是：可以。而且方式比我们想象的还要直接。

未来如果有人把更大的指令集、更完整的操作系统、甚至简单的图形界面都编译进权重……那“下载一个模型 = 下载一台计算机”就不再只是玩笑。