2026 年 10 月 30 日，開發者發布 nesformer 專案，把 NES 的 6502 CPU（2A03 核心）、2KB 工作記憶體和卡帶 ROM 編譯進標準 Qwen3.5 檢查點的權重裡。據 Hacker News 帖子，權重約 1GB，全部由編譯器計算而非訓練得到；執行時模型逐 token 預測 CPU… 看完整事件
6502 CPU 被編譯進 Qwen3.5 權重，約 1GB 模型跑 NES 遊戲
開發者把 NES 的 6502 CPU（2A03 核心）、2KB 工作記憶體和卡帶程式 ROM 編譯進一個標準 Qwen3.5 檢查點，權重約 1GB，全部由編譯器計算而非訓練得到。執行時模型逐 token 預測 CPU 執行日誌，畫面渲染、手柄輸入和 vblank 中斷由宿主程式負責；該專案沿用 Qwenputer 的編譯器，以及其「Gated DeltaNet 狀態即機器記憶體」的做法。
把完整 6502 核心、記憶體與卡帶 ROM 裝進約 1GB 權重，且測試遊戲每幀輸出與參考模擬器逐幀一致，對研究模型作為通用計算載體和本地跑權重的人有參考價值。
原標題：A Working Nintendo in ~1GB of Qwen Weights
閱讀原文
| 評分 | 63 / 68（平均 65，門檻 76） |
|---|---|
| 狀態 | 未入選 |
相關報導
Qwen3.5 4B 權重內嵌 RISC-V CPU，用 GDN 層當記憶體
實驗模型 Qwenputer 在 Qwen3.5 4B 權重裡編譯進一顆 32 位 RISC-V CPU（RV32IM 加 Zba 擴充套件），以 Gated DeltaNet 注意力層的狀態矩陣當 RAM。CPU 佔模型 32 層中的前 11 層，全程不訓練，權重由編譯器直接寫入；它已通過官方 riscv-tests，程式結果與 qemu 一致，自由執行 1800 萬條指令無差錯，能跑 C 和 MicroPython，但還不到跑 Linux 的程度。
360M 模型微調成終端，可在瀏覽器跑 vim 與貪吃蛇
作者用 Qwen2.5-Coder-0.5B 微調出 360M 引數模型 WorldTUI，它背後沒有 shell 和檔案系統，只根據每次按鍵預測終端螢幕變化，能建立檔案、執行 vim 與 tmux、玩貪吃蛇。訓練資料由 Docker 中錄製的真實終端會話合成，共 33.6 萬段、約 20 億 token，其中 35% 的會話從任務中途開始；推理使用僅 333 個 token 的小詞表，COPY 行操作把滾動重繪從約 3000 token 降到每行 3 個。
llama.cpp b11489 加速 Hexagon NPU 的 Q6_K 權重反量化
llama.cpp 發布 b11489，為 Hexagon NPU 的 Q6_K 權重反量化帶來加速，做法是再增加 2 倍迴圈展開，改動由 OpenCode 協助完成。該版本繼續提供 macOS/iOS、Linux、Android、Windows 多平台預編譯包，Snapdragon 版本可分別使用 CPU、Adreno GPU 與 Hexagon NPU，Windows arm64 另有 OpenCL Adreno 建置；
越獄 PS5 用 GPU 跑 llama.cpp，變成區域網模型伺服器
PS5LM 把 llama.cpp 的 Vulkan 後端搬到越獄 PS5 的 RDNA 2 GPU 上，用 11.4 GB 共享記憶體把主機變成家用模型伺服器，對外提供 OpenAI 與 Anthropic 介面，Claude Code 等客戶端可直接連。實測 Qwen 3.5 9B Q4_K_M 約 55 tokens/秒，27B 的 UD-Q2_K_XL 約 20 tokens/秒、64k 上下文；
Pico 2 W 上跑起能玩遊戲的 26k–131k 引數世界模型
一個 26k–131k 引數的微型世界模型在 Raspberry Pi Pico 2 W 上執行 Breakout、Doom-lite、Flappy Bird、Pong 和 Pac-Man lite 五個小遊戲。它由兩個網路組成：int8 量化的迴圈 Transformer 世界模型根據當前幀和動作預測下一幀與獎勵，9k–16k 引數的 MLP actor 只根據生成幀選動作，兩者都跑在 RP2350 的 core 1 上。