Les chercheurs proposent la programmation de fonctions floues pour compiler des spécifications en langage naturel en artefacts neuronaux exécutables localement, abordant les problèmes de localité, de reproductibilité et de coût liés à l'utilisation d'API de modèles de langage larges pour des tâches quotidiennes. Ils instancient ce paradigme avec Program-as-Weights (PAW), qui utilise un compilateur de 4B entraîné sur leur ensemble de données FuzzyBench publié de 10M d'exemples pour émettre des adaptateurs efficaces en paramètres pour un interprète gelé.

  • Un interprète Qwen3 de 0.6B exécutant des programmes PAW correspond aux performances de l'invocation directe de Qwen3-32B.
  • L'approche utilise environ un cinquantième de la mémoire d'inférence et s'exécute à 30 tok/s sur un MacBook M3.
  • PAW reformule les modèles de base comme des constructeurs d'outils, produisant de petits artefacts réutilisables pour des appels ultérieurs peu coûteux et hors ligne.

Cette méthode permet aux développeurs de créer des fonctions compactes et exécutables localement qui évitent les coûts élevés et la latence associés aux appels API par entrée.