Los investigadores proponen la programación de funciones difusas para compilar especificaciones en lenguaje natural en artefactos neurales ejecutables localmente, abordando los problemas de localidad, reproducibilidad y coste del uso de APIs de modelos de lenguaje grandes para tareas cotidianas. Instancian este paradigma con Program-as-Weights (PAW), que utiliza un compilador de 4B entrenado en su conjunto de datos FuzzyBench publicado de 10M de ejemplos para emitir adaptadores eficientes en parámetros para un intérprete congelado.

  • Un intérprete Qwen3 de 0.6B que ejecuta programas PAW iguala el rendimiento del prompting directo de Qwen3-32B.
  • El enfoque utiliza aproximadamente una cincuentava parte de la memoria de inferencia y funciona a 30 tok/s en un MacBook M3.
  • PAW reformula los modelos base como constructores de herramientas, produciendo artefactos pequeños y reutilizables para llamadas posteriores económicas y sin conexión.

Este método permite a los desarrolladores crear funciones compactas y ejecutables localmente que evitan los altos costes y la latencia asociados con las llamadas por entrada a la API.