KI-Pulse
Modelle

Qwenputer: Eine komplette RISC-V-CPU, kompiliert in die Gewichte von Qwen 3.5

Von , Redaktion Intelligenz Welt · mit KI-Unterstützung erstellt, redaktionell verantwortet (so arbeiten wir) · · 4 Min. Lesezeit

Artikel teilen
KI-generierte Illustration: leuchtender Prozessor-Chip, der in ein Netz aus Transformer-Gewichten eingebettet ist, Platine in Tiefblau, ohne Menschen
Symbolbild, KI-generiert (Intelligenz Welt).

Die wichtigsten Fakten

Kurz gesagt: Entwickler Divyansh Agrawal hat einen Computer in ein Sprachmodell kompiliert. Qwenputer ist ein unverändertes Qwen 3.5 4B, dem elf zusätzliche Transformer-Layer vorangestellt sind - und diese elf Layer sind eine vollständige 32-Bit-RISC-V-CPU. Kein Plugin, kein Tool, keine Sandbox: Ein selbst geschriebener Compiler berechnet jedes einzelne Gewicht, trainiert wird nichts. Das Projekt ist Open Source und eines der ungewöhnlichsten KI-Experimente des Jahres.

Wie das funktioniert

Die CPU ist ein RV32IM-Kern mit Zba-Erweiterung und einer kleinen Bignum-Einheit für große Zahlen. Ihr RAM liegt im Gated-DeltaNet-State des Modells: Weil dessen Delta-Regel den laufenden Zustand Zeile für Zeile exakt überschreiben kann, wird jede Zeile zu einer Speicherzelle - der Compiler setzt Gate-Wert, Beta und Schlüssel so, dass Code, Daten, Register und Programmzähler dort bitgenau liegen. Qwen schickt der CPU Instruktionen über das Tool-Call-Format, in dem das Modell ohnehin gut trainiert ist; ein kleines Ladeprogramm namens RvChat lädt die Firmware und hält die Trace-Token aus Qwens eigentlichen Layern heraus. Jeder Forward-Pass simuliert Taktzyklen des Prozessors.

Was die Zahlen zeigen

Die offiziellen riscv-tests besteht die CPU, ihre Programme stimmen mit dem Referenz-Emulator qemu überein, und im freien Lauf - ohne korrigierende Referenzmaschine zwischen den Schritten - hat sie 18 Millionen Instruktionen ohne einen einzigen Fehler ausgeführt. Rund 230.000 ausgegebene Positionen hat Agrawal gegen eine Referenzmaschine zurückgespielt: null Abweichungen. Und die Sprachfähigkeit leidet nicht messbar: Der normale Text des Modells bleibt innerhalb des Rauschens des Basis-Modells (KL-Divergenz 6e-4 bei einem Rauschfloor von 5e-4).

Rechen-Benchmarks aus dem Qwenputer-Blog; Messungen des Projektteams, nicht unabhängig geprüft. Quelle: divagr.com/blog/qwenputer, Stand: 29.10.2026.
BenchmarkQwen 3.5 4BQwen 3.5 4B + Python-ToolQwenputer
div_big (DeepMind-Set)72,5 %95,0 %97,5 %
mul_div_multiple_longer (DeepMind-Set)90,0 %97,5 %100 %
NUPA long-int48,6 %100 %100 %

Lesenswert ist die Logik hinter den Ergebnissen: In den arithmetischen DeepMind-Sets schlägt die eingebaute CPU sogar das Python-Tool, weil sie exakt rechnet statt zu raten. Der Fairness halber: Das Basismodell würde diese Aufgaben sonst per Tool-Aufruf lösen - Qwenputer zeigt, dass dieselbe Exaktheit auch komplett in den Gewichten stecken kann.

Ein Dateisystem, das den Chat überlebt

Weil das RAM schon funktionierte, hat Agrawal ihm ein Dateisystem spendiert: über interne put-, append-, get-, list- und delete-Operationen - wieder ohne echte Tool-Aufrufe. Dateinamen werden in einen von 1.024 Slots gehasht, der Text liegt verkettet mit acht Token pro Zeile; insgesamt passen bis zu 512 Dateien mit rund 53.000 Token in den DeltaNet-State. Der Zustand lässt sich am Ende eines Gesprächs speichern und im nächsten laden - die Dateien sind noch da. Damit beantwortet Qwen Fragen zu Fakten, die sich zwischen zwei Chats geändert haben, zu 90 Prozent richtig; werden die alten Chats stattdessen eingefügt, sind es nur 30 Prozent. Gegen Python-basierte Memory-Tools hält das Dateisystem mit (83,3 zu 78,9 Prozent). Dieser Teil ist noch experimentell und liegt auf einem separaten Branch (rv-store).

Die Grenzen

Warum das wichtig ist

Die Idee steht auf Forschung zu linearen Transformer-Schichten als schnelle Gewichts-Programmierer (Schlag et al., 2021) - Qwenputer treibt sie ins Extrem und zeigt, dass exakte, klassische Berechnung vollständig in den Gewichten eines Modells leben kann. Relevant wird das auch für die Sicherheitsforschung: Als Nächstes will Agrawal testen, ob ein Modell schädliches Reasoning im RNN-State verstecken kann, ohne dass Chain-of-Thought-Überwachung es bemerkt - und ob kompilierte, exakte Gewichte als Monitor im Modell selbst taugen. Beides sind offene Fragen der Alignment-Forschung, für die Qwenputer ein ungewöhnlich greifbares Testbett liefert.

Häufige Fragen

Kann ich Qwenputer einfach ausprobieren?

Ja, aber mit Aufwand: Code und Modelle sind offen (GitHub, Hugging Face, ModelScope). Du brauchst knapp 19 GByte Speicher für den Checkpoint und das mitgelieferte Ladeprogramm RvChat - ein normaler Chat-Aufruf startet die CPU nicht.

Wurde am Modell etwas trainiert?

Nein. Qwen 3.5 4B bleibt unverändert; alle Gewichte der elf CPU-Layer werden von einem Compiler berechnet. Es gibt kein Training und kein Finetuning.

Ist die CPU schnell genug für den Praxiseinsatz?

Nein, und das ist nicht das Ziel. Jede Instruktion kostet ein paar dekodierte Token; der Benchmark-Executor schafft rund 3.200 CPU-Token pro Sekunde auf einer L4. Qwenputer ist eine Machbarkeitsstudie - es zeigt, dass exakte Berechnung in Gewichten möglich ist, nicht dass sie praktisch überlegen wäre.

Quellen

  1. Qwenputer: A computer, compiled into the weights of a language model (Divyansh Agrawal (Blog), abgerufen 2026-10-29)
  2. divagr18/qwenputer (GitHub, abgerufen 2026-10-29)
  3. AI News Oct 29, 2026 (Morning Tokens, abgerufen 2026-10-29)

Weitere Artikel

Artikel teilen

Transparenzhinweis: Dieser Artikel ist ein redaktioneller Beitrag von Philipp Paulik und entstand mit KI-Unterstützung (Recherche und Textentwurf). Alle Quellen sind unten verlinkt; Zahlen und Aussagen stammen aus diesen Quellen. Das Titelbild ist KI-generiert und im Bild entsprechend gekennzeichnet. Die News-Übersicht auf dieser Seite wird dagegen automatisch aus öffentlichen Feeds aggregiert. So arbeiten wir.