许多日常编程任务难以通过简洁、基于规则的方式实现，例如：针对重要日志行触发告警、修复格式错误的 JSON 数据，或依据用户意图对搜索结果进行排序。目前，这类任务正越来越多地交由大型语言模型（LLM）API 来完成，但由此也付出了牺牲本地化执行能力、结果不可复现性以及高昂调用成本的代价。为此，我们提出“模糊函数式编程”（fuzzy-function programming）：即根据自然语言描述的规格说明，将此类函数编译为一个紧凑、可本地执行的神经网络构件。我们以“程序即权重”（Program-as-Weights, PAW）作为该范式的具体实现——其核心是一个在 FuzzyBench 数据集（我们开源的包含 1000 万个样本的大规模基准数据集）上训练得到的 40 亿参数编译器；该编译器能为一个冻结不动、轻量级的解释器生成参数高效的适配器（adapter）。实验表明，仅含 6 亿参数的 Qwen3 解释器在执行 PAW 编译生成的程序时，性能可媲美直接对 320 亿参数的 Qwen3-32B 模型进行提示工程（prompting）的效果；同时，其推理内存占用仅为后者的约二十分之一（注：原文“one fiftieth”即 1/50），且在配备 M3 芯片的 MacBook 上可达每秒 30 个 token 的推理速度。PAW 从根本上重塑了基础模型的角色：它不再作为每次输入都需调用的问题求解器，而是转变为一种“工具构建器”——仅需在定义函数时调用一次，即可产出一个体积小、可复用的神经构件；此后，每次调用该函数时，均可低成本、离线地执行该构件，无需联网或依赖外部服务。
