知识卡片：程序即权重：一种针对模糊函数的编程范式

英文标题: Program-as-Weights: A Programming Paradigm for Fuzzy Functions
英文关键词: fuzzy-function programming, Program-as-Weights, PAW, compiler, interpreter, parameter-efficient adapters, FuzzyBench

一句话结论

PAW 将自然语言描述的模糊函数编译为轻量级本地可执行神经工件，使用 0.6B 参数的解释器即可达到 32B 参数直接提示的性能，推理内存仅为后者约 1/50，并在 MacBook M3 上以 30 tokens/s 运行。

事件概述或研究问题

许多日常编程任务（如日志告警、修复格式错误的 JSON、按意图排序搜索结果）难以用严格的规则实现，当前越来越依赖大语言模型 API，但这带来了成本、可复现性和本地化问题。论文提出模糊函数编程（fuzzy-function programming）范式，将自然语言规格说明编译为紧凑的本地可执行神经工件，从而减少对外部 API 的依赖。

方法/产品要点

• Program-as-Weights (PAW): 使用一个 4B 参数编译器，该编译器在作者发布的 FuzzyBench（包含 1000 万示例的数据集）上训练，能够为冻结的轻量级解释器生成参数高效适配器（parameter-efficient adapters）。
• 解释器: 采用 0.6B 的 Qwen3 模型作为解释器，执行 PAW 程序。
• 工作流程: 编译器每函数定义被调用一次，生成一个小型可复用工件；后续每次函数应用调用该工件时成本极低且可离线运行。
• 将基础模型从“每输入的问题求解器”重新定位为“工具构建器”。

主要结果或产业意义

• 0.6B Qwen3 解释器执行 PAW 程序，性能与直接提示 Qwen3‑32B 匹配。
• 推理内存约为直接提示 32B 模型的 1/50。
• 在 MacBook M3 上达到 30 tokens/s 的生成速度，实现本地离线执行。
• 可显著降低对大型 API 的依赖，提高可复现性、降低成本并支持本地部署。

为什么重要

PAW 范式有望改变当前依赖大模型 API 的开发模式，将昂贵的在线推理转化为一次性的离线编译和轻量级本地执行，从而在保持性能的同时大幅降低资源消耗，提升隐私和可控性。

局限与不确定性

原文未提及明确的局限与不确定性，但可推断：

• 编译器的训练依赖大规模数据集（FuzzyBench），在其他领域或新任务上的泛化能力待核实。
• PAW 生成的是神经工件，其可解释性和调试难度可能高于传统代码。
• 当前仅验证了在 Qwen3 系列模型上的效果，在其他架构上的表现待核实。

可用于图书/PPT/简报的角度

• 范式对比: 从“每次调用大模型”到“一次编译、多次本地运行”的思维转变。
• 效率案例: 0.6B 模型 vs 32B 模型，性能相同但内存开销仅 1/50，适合强调资源优化。
• 模糊函数编程: 可作为“面向未来编程范式的演进”专题的素材，展示如何将自然语言规格说明转化为可执行程序。
• 工具构建器: 引用 PAW 对基础模型角色的重新定义，用于讨论 AI 辅助开发的新方向。

原始材料

• 标题: Program-as-Weights: A Programming Paradigm for Fuzzy Functions
• arXiv ID: 2607.02512v1
• 作者: Wentao Zhang, Liliana Hotsko, Woojeong Kim, Pengyu Nie, Stuart Shieber, Yuntian Deng
• 发布日期: 2026‑07‑02
• 摘要链接: https://arxiv.org/abs/2607.02512v1
• PDF 链接: https://arxiv.org/pdf/2607.02512v1