Qwenputer: полноценный RISC-V процессор зашили прямо в веса нейросети
Самая большая головная боль любых LLM-пайплайнов — это арифметика и галлюцинации в точных вычислениях. Стандартное решение индустрии — дать модели Python-песочницу через tool calling. Однако вызов внешнего тула ломает скорость генерации, требует сетевого оверхеда, валидации JSON и подвержен сбоям окружения. В Qwenputer подход радикально иной: вычисления происходят прямо во время forward pass нейросети.
Архитектура Qwen 3.5 сочетает стандартный трансформерный механизм внимания и слои Gated DeltaNet (линейное внимание с рекуррентным состоянием фиксированного размера). Агравал использовал эти матрицы состояния как регистры и ячейки RAM. Ассемблерные инструкции RISC-V были напрямую транслированы в весовые матрицы. Модель способна исполнять код на C и MicroPython внутри своих скрытых состояний.
На бенчмарках NUPA и DeepMind Arithmetic точность модели на сложении, умножении и делении огромных чисел подскочила с базовых 48.6% до 100% — результат идентичен подключению внешнего интерпретатора Python, но при нулевых внешних зависимостях. Числа, выводимые эмулятором, абсолютно точны: из 230 000 проверенных позиций не обнаружено ни одной ошибки.
Более того, поверх этой RAM автор построил файловую систему rv-store на 512 файлов (~53 000 токенов текста). Состояние можно сохранять между сессиями диалога. В тестах на изменение фактов Qwenputer показал 90% точности сохранения контекста против 30% при стандартной вставке истории в промпт.
Практический вывод для разработчиков агентных систем: граница между 'вычислительным кодом' и 'нейросетевыми весами' окончательно стирается. Веса больше не просто ассоциативная память — они становятся средой выполнения детерминированных программ.