实验性模型：把一颗 32 位 RISC-V CPU 编译成 11 层 Transformer 放在 Qwen3.5-4B 自己的层前面，用 Qwen 的 Gated DeltaNet 状态当内存，让模型在前向计算里真正执行 C 和 MicroPython 程序，把大数乘除这类算术逐位精确写出来。
星数 309（+80 / 24h）
理由
- CPU 层的权重不是训练出来的，而是编译器直接算出；Qwen 照常写 calc 的工具调用，但没有任何外部执行器，模型内部的计算层读调用、在 CPU 上算完，再由模型自己逐位写出结果。作者称通过官方 riscv-tests，回放约 23 万个输出位置零误差，文本行为与原模型的 KL 为 6e-4
- 作者给的对比（贪心解码、每组 40 题）：合成整数算术从基础模型的 75.0 升到 97.5，DeepMind mul_big 从 55.0 升到 97.5，和基础模型调用宿主机 Python 解释器的成绩相当
- 另有实验分支：加了点积指令的 NPU 版能在模型里跑 26 万参数的 stories260K 小模型；文件系统版在 DeltaNet 状态里存最多 512 个文件，作者称跨会话回忆题从 7.8 升到 83.3；早期 CHIP-8 版也仍可下载
用法
- git clone 后进 experimental/riscv，uv sync --extra hf，hf download divagr1925/Qwen3.5-4B-Qwenputer 下载权重，再用 uv run python -m chipformer.rv.chat qwenputer-rv --firmware tests/data/rv/calc-bridge.elf --ask "…" 提问
- 模型按标准 Qwen3_5ForCausalLM 加载，示例代码放在 CUDA 上并关掉 bf16 降精度归约以保证矩阵乘精确；设计和全部测量在 experimental/riscv/docs/rv32.md
风险
- 作者称不是处处有用：GSM8K 这类应用题打平，长表达式链上基础模型仍领先，模型还会反复验算已经给出的结果直到用完 token 预算；CHIP-8 版的表格取的是开发检查点里各基准的最好成绩
- 示例跑在 NVIDIA GPU 上，作者给的速度是 L4 上约 3,200 个轨迹 token 每秒，NPU 版生成一个故事 token 约 41 秒；代码 MIT，权重按 Qwen3.5-4B 的修改版走 Apache-2.0，仓库 10 月 19 日建