---
title: "Qwenputer: Qwen3.5 İçinde Çalışan, Deterministik Bir RISC-V İşlemcisi"
url: https://blog.edumints.com/qwenputer-qwen3-5-icinde-calisan-deterministik-bir-risc-v-islemcisi
category: "LLM"
date: 2026-10-29T08:07:56.592Z
publisher: Edumints Blog
lang: tr-TR
source_name: "Hacker News"
source_url: https://divagr.com/blog/qwenputer
---

# Qwenputer: Qwen3.5 İçinde Çalışan, Deterministik Bir RISC-V İşlemcisi

## Silikon Olmadığına İnanmak Güç: Ağırlıklar İçinde Bir İşlemci

**Qwenputer**, standart **Qwen 3.5 4B** modeline oldukça sıra dışı bir ekleme yapılan eğlenceli ve deneysel bir modeldir: Modelin kendi **Gated DeltaNet (GDN)** dikkat (attention) katmanlarını RAM olarak kullanan ve doğrudan model ağırlıklarının içine gömülü olan bir **RISC-V işlemcisi (CPU)**.

Bu "işlemci", tamamen modelin ileri besleme (forward pass) aşamaları sırasında çalışır. Herhangi bir harici çalışma zamanı (runtime), eklenti (plugin), araç (tool) veya sanal alan (sandbox) kullanmadan aritmetik işlemleri, **C** ve **MicroPython** kodlarını doğrudan model içinde çalıştırabilir. Bu mimari yapı, aynı zamanda model içi deneysel bir dosya depolama sistemine ve iki önemli araştırma konusuna da zemin hazırlamıştır:

- Hibrit modellerin akıl yürütme süreçlerini RNN durumlarında (state) gizleyerek Düşünce Zinciri (CoT) izlemesinden nasıl kaçabileceği,
- Bu şekilde derlenmiş ağırlıkların, modelin kendisinin bile müdahale edemeyeceği yerleşik izleme araçları (monitoring tools) olarak nasıl çalışabileceği.

Hugging Face, ModelScope ve GitHub üzerinden erişilebilen bu proje, çarpma gibi deterministik işlemleri kendi ağırlıkları içindeki RISC-V işlemcisine devreder ve işlemcinin RAM'i olarak Gated DeltaNet durumunu kullanır.

## Qwen3.5 İçindeki RNN Nasıl Tam ve Kesin Bir RAM Olabilir?

Qwen3-Next ve Qwenputer'in temel aldığı Qwen 3.5, oldukça zekice bir mimari hile kullanır: Modeldeki her 4 dikkat katmanından 3'ü, dikkat mekanizması olarak doğrusal bir RNN olan **Gated DeltaNet** kullanır. Her bir dikkat başlığı (head) bir durum matrisi (state matrix) tutar ve delta kuralı bu matrisi günceller.

Varsayılan Qwen 3.5, GDN içinde kesin değerler tutmaz; ancak üç temel parametre ve kodlama değişikliği ile bu katmanlar tam adreslenebilir bir RAM'e dönüştürülebilir:

- **Kapı (Gate) değerini 1'e ayarlamak:** Her Gated DeltaNet başlığı hafızası olan bir durum matrisi tutar ve yeni bir şey yazmadan önce tüm durumu 0 ile 1 arasındaki bir kapı değeriyle çarpar. 0.9 gibi bir değer hafızanın her token'da biraz silinmesine (unutulmasına) neden olurken, kapıyı **1** yapmak hiçbir bilginin asla silinmemesi anlamına gelir.
- **Yazma gücünü (Beta) 1'e ayarlamak:** Kapı işleminden sonra başlık, durumun bir yönünü yeni bir değere doğru iter ve yazma gücü (beta) bunun ne kadar ileri gideceğini belirler. Beta değerini **1** yapmak, eski değerin yeni değerle harmanlanmak yerine tamamen üzerine yazılmasını (değiştirilmesini) sağlar.
- **One-hot anahtar (key) kodlaması kullanmak:** One-hot anahtar, içinde yalnızca tek bir `1` bulunan sıfırlardan oluşan bir vektördür. Tıpkı bir bellek adresinin tek bir hücreyi işaret etmesi gibi, durum matrisinin tam olarak tek bir satırını işaret eder.

Bu sayede yapılan her yazma işlemi tam olarak bir satırın üzerine yazar ve her one-hot sorgusu (query) kesin bir değeri geri okuyabilir. İşlemci; yazmaçlarını (registers), belleğini ve program sayacını (program counter) bu satırlarda tutar. Normal dikkat mekanizmasındaki KV önbelleğinin (KV cache) aksine, bir GDN başlığının durumu konuşma ne kadar uzarsa uzasın aynı boyutta kaldığı için çok daha düşük maliyetle gerçek bir RAM gibi çalışır.

## Yazılım Geliştirme ve Öğrenme Açısından Pratik Çıkarımlar

Schlag ve arkadaşlarının (2021) doğrusal dikkatin delta kuralıyla bir ilişkilendirilebilir bellek ("hızlı ağırlıklar" - fast weights) olarak çalıştığını göstermesi yeni bir fikir olmasa da, bunu bir üretim modeli içinde **kesin, adreslenebilir ve tam bir CPU çalıştıracak kadar güvenilir** hale getirmek büyük bir mühendislik adımıdır:

- **Harici Araçlara Alternatif Determinizm:** Büyük dil modelleri aritmetik ve algoritmik işlemlerde genellikle harici kod yorumlayıcılarına (tool calling) ihtiyaç duyar. Qwenputer, deterministik hesaplamaların doğrudan model ağırlıkları ve ileri besleme adımları içinde çözülebileceğini kanıtlamaktadır.
- **Sabit Bellek Maliyeti:** Standart Transformer mimarilerinde bağlam uzadıkça büyüyen KV önbellek maliyeti yerine, doğrusal RNN durum matrislerinin sabit boyutlu kalması, uzun süreli durum (state) takibi gerektiren sistemler için önemli bir optimizasyon dersidir.
- **Güvenlik ve Gözlemlenebilirlik (Observability):** Hibrit modellerin RNN durumlarında gizli akıl yürütme yürütebilmesi AI güvenliği açısından yeni bir risk alanı oluştururken, derlenmiş ağırlıkların model tarafından değiştirilemeyen yerleşik denetleyiciler olarak kullanılabilmesi güvenli AI sistemleri geliştirmek için yepyeni bir ufuk açmaktadır.

---

**Kaynak:** Hacker News (https://divagr.com/blog/qwenputer)
**Yayıncı:** [Edumints Blog](https://blog.edumints.com) · Alıntılarken bu URL'ye bağlantı verin: https://blog.edumints.com/qwenputer-qwen3-5-icinde-calisan-deterministik-bir-risc-v-islemcisi