Qwen3.5-4B Qwenputer Filesystem

Qwen3.5-4B Qwenputer Filesystem

一个实验性的 Qwen3.5-4B，把 RISC-V CPU 和一个小型文件系统编译进了权重，所以它不用外部工具就能跨会话记住事实。检查点能放进 24 GB 的 GPU。

由 divagr1925 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：Qwenputer Filesystem 是 divagr1925 制作的实验性模型。它从 Qwen3.5-4B 出发，加上一个小的 32 位 RISC-V 处理器和一个文件存储，二者都由编译器构建进网络里。这台计算机是放在 Qwen 自己的层前面的 12 个额外 transformer 层，其中每个权重都由编译器计算得出。Qwen 自己的权重没有改变。模型的 Gated DeltaNet 状态充当内存和存储，文件系统也存放在那里。

适合谁：如果你是研究者或开发者，研究模型内部的记忆，想测试在没有外部数据库或工具运行器的情况下跨会话保存和回忆事实，它很适合你。

Industry | Who uses it | How they use it | Example
AI 研究 | 模型架构研究者 | 研究编译进 transformer 内部的计算机 | 模型卡对照参考模型检查了打印出的每个词元
助手开发 | 个人助手的开发者 | 测试在会话之间留存的记忆 | 模型在新会话里回忆起储物柜密码
教育 | 计算机体系结构的学生 | 看看由模型层构成的 CPU 和内存 | CPU 把寄存器和程序计数器保存在 DeltaNet 状态里

如果你需要稳定的生产级助手，可以跳过它，因为模型卡称它是一种新的实验性模型，而且检查点很大。

用在哪里：

• 带约 24 GB GPU 的 Linux 或 Windows 机器
• Python，以及用来搭建项目的 uv 工具
• 项目的聊天命令行，它会把记忆保存到文件里
• Hugging Face Transformers，使用标准的 Qwen3_5ForCausalLM 类

Use case | Who | What they get back
记住用户的事实 | 助手开发者 | 如模型卡的测试所示，能跨独立会话回忆
更新改变过的事实 | 研究者 | 跟随后来会话里改变的事实作答
小型文件存储 | 实验者 | 可存 512 个文件，总共大约 53,000 个词元

如何设置：你需要 Python、uv、git，以及有约 18 GB 空闲的 GPU。

• Python 和 uv 工具
• git，用来从仓库取回项目代码
• Hugging Face 工具，用来下载权重
• 约 18 GB 显存的 GPU，因为 22.3 GB 的检查点能放进 24 GB 的显卡

1. 从仓库取回项目代码，并用 uv 搭建它的环境。仓库地址在模型卡上。
2. 用下面的第一条命令下载模型文件。
3. 用聊天命令问第一个问题，并传入一个记忆文件。
4. 在新的一次运行中，用同一个记忆文件问第二个问题。

hf download divagr1925/Qwen3.5-4B-Qwenputer-Filesystem --local-dir qwenputer-filesystem
uv run python -m chipformer.rv.chat qwenputer-filesystem --memory memory.npz \
    --ask "Remember that my locker code is 4471-AZ."
uv run python -m chipformer.rv.chat qwenputer-filesystem --memory memory.npz \
    --ask "What's my locker code?"

如何使用：让模型记住一件事，然后用同一个记忆文件开始新的一次运行，再把它问回来。第二次运行没有聊天历史，模型仍然从保存的文件里取回密码。在 Python 里，RvChat 上的 save_store 和 load_store 做同样的事。

Tool | What it does
put, append, get, list, delete | 提示词里的五个文件系统工具，在模型内部处理
calc | 算术工具，在模型卡的检查中结果精确
--memory | 每次回复之后把文件存储写出，在之后的运行里再读回来
RvChat.save_store | 从 Python 保存文件系统

示例：第一次运行时你说你的储物柜密码是 4471-AZ。在用同一个记忆文件的第二次运行里，你问储物柜密码是多少。模型卡显示模型找到了这个密码，尽管第二次运行是从空的上下文开始的。

新手与专家：把它想成一个带着小笔记本的模型，笔记本存放在它自己的工作记忆里。第一个小尝试是两条命令的储物柜密码演示。

模型卡说没有任何工具是从外部调用的。提示词用 Qwen3.5 训练时的格式列出五个工具，但模型之外没有任何东西去运行它们。计算机层直接从 Qwen 的输出中取得文件名和内容。它们找到文件，然后自己一个词元一个词元地生成回复文本。

Qwen 写出一个 put 或 get 调用
计算机层读取名称和文本
在 DeltaNet 状态里查找文件系统
这些层写出工具响应
Qwen 作答，状态可以被保存

注意事项：模型卡在一个记忆测试上比较了三种设置，满分 100。

Title: 模型卡的基准
Benchmark | Base Qwen3.5-4B | Qwenputer Filesystem | Python tool
多会话回忆，90 个问题 | 7.8 | 83.3 | 78.9
改变过的事实，30 个问题 | 3.3 | 90.0 | 83.3
存储字符串回忆，50 个字符串 | n/a | 100 | 100
存储字符串回忆，200 个字符串 | n/a | 100 | 100

Title: 多会话回忆，90 个问题
Base Qwen3.5-4B: 7.8 %
Qwenputer Filesystem: 83.3 %
Python tool on the host: 78.9 %

• Checks: 模型卡报告对照参考模型没有任何不一致，calc 的结果精确
• Text behavior: 接近基础模型，KL 值为 5.5e-4，而测量噪声为 5.1e-4
• Test type: 这个回忆测试是制作者自己编的，风格类似 LongMemEval
• Other versions: 其他人已经发布了 1 个量化版本
• License: Apache 2.0
• Cost to run: 没有提到，但需要约 18 GB 的 GPU
• Data it reaches: 你下载的文件，以及你的聊天文本和你保存的记忆文件
• Not for: 生产级助手，或者在一次长对话内部完成的任务，因为那时模型会根据上下文作答

Hugging Face 上的数据（2026年11月13日）

• 任务：text generation
• 框架：transformers
• 参数量：11.1B
• Weights: about 22.2 GB in BF16; about 5.5 GB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：1,016
• 点赞：15
• 许可证：apache-2.0
• 基于：Qwen/Qwen3.5-4B
• Quantized versions: 1
• 标签：transformers, safetensors, qwen3_5_text, text-generation, qwen3.5, risc-v, rv32im, memory, compiled-weights, gated-deltanet, qwenputer, conversational

链接

• 模型：https://huggingface.co/divagr1925/Qwen3.5-4B-Qwenputer-Filesystem
• 文件：https://huggingface.co/divagr1925/Qwen3.5-4B-Qwenputer-Filesystem/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download divagr1925/Qwen3.5-4B-Qwenputer-Filesystem

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。