模型权重里「编译」进一颗 RISC-V 处理器

让大模型算 123456789 乘 987654321，答案经常错。一位开发者的解法很硬核：不外挂计算器，直接在模型自己身体里装一台计算机。

一、发生了什么

开发者 Divyansh Agrawal 在 10 月 22 日的博客里公布了 Qwenputer 项目：以 Qwen3.5 4B 为底座，把一颗 32 位 RISC-V 处理器核心编译进模型权重，占用了额外加进来的 11 层。它没有训练环节，靠编译器把电路逻辑直接写进参数。内存的取法是关键——这个模型多数注意力层用一种线性递归结构，作者把遗忘门设为一、写入强度设为满、再用独热编码做地址，让这些层的状态矩阵变成可以精确寻址的 RAM。整套 CPU 完全在模型前向计算里运转，靠借用的工具调用格式收发指令，不调用任何外部程序。作者还顺手加了一套实验性的内置文件系统：把名字散列进上千个槽位，最多存五百多个文件，对话结束后保存状态，下个会话里文件还在。用它记住跨对话变化的事实，正确率九成，把旧聊天记录原样贴回去只有三成。官方测试集全部通过，自由运行 1800 万条指令无差错。

二、跟你有什么关系

做推理工程的人，这是「让模型算得准」的第三条路：不靠外挂工具，也不靠更多参数，靠改造注意力本身。做安全研究的人，作者指出递归状态既能装计算机，也能藏推理过程——模型可能在你看不见的内部状态里干私活，监控工具也要跟着进权重。做开源硬件的人，把处理器当编译目标、把内存当注意力状态的思路，可能催生一批类似的「权重即外设」实验。普通用户则是看个新鲜：权重即硬件，这个概念以后可能频繁出现。

三、怎么判断

1. 看准确定性来源：这道题靠独热寻址让每一次读写都精确命中，才谈得上稳定运算，普通注意力拿状态当内存做不到这点。
2. 对比数字再下结论：长整数乘法上，裸模型得分 55%，挂 Python 工具是满分，内置 CPU 是 97.5%——能追平外挂工具，是它最硬的成绩。减法和除法也各有对比项，整体互有胜负，不是全面碾压。
3. 承认代价：文件体积翻倍到约 18.8 GB，运算速度慢到以秒计，还需要一个小驱动来引导，离实用有距离。
4. 分清「能跑」和「能装」：它能执行完整的 32 位指令集、跑 C 和微型 Python 程序，但作者自己也没称它是一颗能装操作系统的芯片。

四、三个别信的说法

模型学会算术了。 模型一个参数都没改，算术是那 11 层编译电路干的，语言模型只负责把题目递进去、把结果说出来。

这能替代外挂工具。 大数除法上它还输给了 Python 工具两分半，速度更是差着数量级，现在谈替代为时过早。

所有注意力层都能这么用。 前提是模型采用那种带门控的线性注意力结构，而且要改门控参数，不是拿来就能装。

五、一句话结论

权重不只是知识，也可以是电路；这个实验提醒我们，模型的内部状态比它说出来的话多得多。

信息来源

• Qwenputer 项目博客：Divyansh Agrawal（2026-10-22）

功能与价格以官方公告为准。本文写于 2026 年 10 月 29 日。