Programma-als-Gewichten: Een programmeerparadigma voor fuzzy functies

Samenvatting

Veel alledaagse programmeertaken verzetten zich tegen een strikte op regels gebaseerde implementatie, zoals het waarschuwen bij belangrijke logregels, het herstellen van misvormde JSON of het rangschikken van zoekresultaten op intentie, en worden steeds vaker uitbesteed aan API's van grote taalmodellen, ten koste van lokaliteit, reproduceerbaarheid en prijs. Wij stellen fuzzy-function programmering voor: het compileren van een dergelijke functie vanuit een natuurlijketaalspecificatie naar een compact, lokaal uitvoerbaar neuraal artefact. We concretiseren dit paradigma met Program-as-Weights (PAW), waarbij een 4B-compiler, getraind op FuzzyBench (een door ons vrijgegeven dataset van 10M voorbeelden), parameter-efficiënte adapters produceert voor een bevroren, lichte interpreter. Een 0,6B Qwen3-interpreter die PAW-programma's uitvoert, evenaart de prestaties van directe prompting van Qwen3-32B, terwijl hij ongeveer eenvijftigste van het inferentiegeheugen gebruikt en 30 tokens/s draait op een MacBook M3. PAW herkadert het funderingsmodel van een per-invoer probleemoplosser naar een toolbouwer: eenmalig aangeroepen per functiedefinitie, produceert het een klein herbruikbaar artefact waarvan de daaropvolgende aanroepen per functietoepassing goedkoop en offline zijn.

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.