10月30日消息，开发者DivyanshAgrawal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-VCPU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。

传统AI大模型依靠预测下一个词元生成回答，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。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1800万条指令未出现错误。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HuggingFace和GitHub开源，可在配备24GB显存的单张GPU上运行。