查看 PDF HTML（实验）摘要：许多日常编程任务难以实现清晰的基于规则的实现，例如在重要的日志行上发出警报、修复格式错误的 JSON 或根据意图对搜索结果进行排序，这些任务越来越多地外包给大型语言模型 API，付出了本地性、可重复性和价格的代价。我们提出模糊函数编程：将自然语言规范编译成一种紧凑的、本地可执行的神经工件。我们用程序作为权重（PAW）实例化这一范式，其中一个在 FuzzyBench 上训练的 4B 编译器（这是我们发布的一个包含 1000 万个示例的数据集）为一个冻结的、轻量级解释器发出参数高效的适配器。一个 0.6B 的 Qwen3 解释器执行 PAW 程序的性能与直接提示 Qwen3-32B 的性能相匹配，同时大约使用五十分之一的推理内存，并在 MacBook M3 上以 30 个 token/s 的速度运行。PAW 将基础模型从每个输入问题求解者重构为工具构建者：每个函数定义调用一次，它生成一个小的可重用工具，其后续函数应用调用廉价且可以离线进行。学科：机器学习（cs.LG）；人工智能（cs.AI）；计算与语言（cs.CL）引用为：arXiv:2607.02512 [cs.LG]（或 arXiv:2607.02512v1 [cs.LG] 这是此版本） https://doi.org/10.48550/arXiv.2607.02512 arXiv 发布的 DOI 通过 DataCite（待注册）提交历史 来自：邓云天 [查看电子邮件] [v1] 2026 年 7 月 2 日，星期四 17:59:50 UTC（1727 KB）