研究人员提出模糊函数编程，将自然语言规范编译为本地可执行的神经工件，解决日常任务中使用大型语言模型 API 时的本地性、可复现性和成本问题。他们通过 Program-as-Weights (PAW) 实例化这一范式，该范式使用一个在发布的包含 10M 示例的 FuzzyBench 数据集上训练的 4B 编译器，为冻结的解释器生成参数高效的适配器。

  • 执行 PAW 程序的 0.6B Qwen3 解释器在性能上匹配直接提示 Qwen3-32B 的效果。
  • 该方法使用的推理内存约为原来的五十分之一，在 MacBook M3 上的运行速度为 30 tok/s。
  • PAW 将基础模型重新定义为工具构建者，生成小型可重用的工件，用于廉价、离线的后续调用。

此方法使开发人员能够创建紧凑的本地可执行函数，避免与每次输入 API 调用相关的高成本和延迟。