Programa como Pesos: Un Paradigma de Programación para Funciones Difusas

Resumen

Muchas tareas de programación cotidianas se resisten a una implementación limpia basada en reglas, como alertar sobre líneas de log importantes, reparar JSON malformado o clasificar resultados de búsqueda por intención, y cada vez más se subcontratan a APIs de modelos de lenguaje grandes a costa de localidad, reproducibilidad y precio. Proponemos la programación de funciones difusas: compilar dicha función a partir de una especificación en lenguaje natural en un artefacto neuronal compacto y ejecutable localmente. Materializamos este paradigma con Program-as-Weights (PAW), en el que un compilador de 4B entrenado en FuzzyBench, un conjunto de datos de 10 millones de ejemplos que publicamos, genera adaptadores eficientes en parámetros para un intérprete ligero y congelado. Un intérprete Qwen3 de 0.6B que ejecuta programas PAW iguala el rendimiento de la consulta directa a Qwen3-32B, al tiempo que utiliza aproximadamente una quincuagésima parte de la memoria de inferencia y se ejecuta a 30 tokens/s en una MacBook M3. PAW reformula el modelo fundacional de solucionador de problemas por entrada a constructor de herramientas: invocado una vez por definición de función, produce un artefacto reutilizable pequeño cuyas llamadas posteriores por aplicación de función son baratas y sin conexión.

English

Many everyday programming tasks resist clean rule-based implementation, such as alerting on important log lines, repairing malformed JSON, or ranking search results by intent, and are increasingly outsourced to large language model APIs at the cost of locality, reproducibility, and price. We propose fuzzy-function programming: compiling such a function from a natural-language specification into a compact, locally-executable neural artifact. We instantiate this paradigm with Program-as-Weights (PAW), in which a 4B compiler trained on FuzzyBench, a 10M-example dataset we release, emits parameter-efficient adapters for a frozen, lightweight interpreter. A 0.6B Qwen3 interpreter executing PAW programs matches the performance of direct prompting of Qwen3-32B, while using roughly one fiftieth of the inference memory and running at 30 tokens/s on a MacBook M3. PAW reframes the foundation model from a per-input problem solver into a tool builder: invoked once per function definition, it produces a small reusable artifact whose subsequent calls per function application are cheap and offline.