阅读清单

神经编译与模糊函数编程

一段函数描述，怎样变成可以反复运行的程序？

PAW 把函数描述编译成可保存、可调用的神经程序。超网络和生成式适配器根据任务信息生成权重，上下文压缩把指令保存为可复用的表示。这些方法的区别在于程序的形式、构建的时间，以及每次调用时复用什么。

模糊函数编程

Program-as-Weights

首次 arXiv 提交 · 2026-07-02
NeurIPS 2026 (accepted)

Wentao Zhang, Liliana Hotsko, Woojeong Kim, Pengyu Nie, Stuart Shieber, Yuntian Deng

提出模糊函数编程：将自然语言函数说明编译成神经程序，保存后由小模型在本地反复执行。

PAW 建立编译器与解释器接口，程序同时包含文本和生成的参数，并提供 FuzzyBench、本地运行接口及图像条件编译。Compile by Training 沿用这一程序格式和运行时。

通过训练进行编译

首次 arXiv 提交 · 2026-09-03
EMNLP 2026 System Demonstrations

Yuntian Deng, Pengyu Nie, Stuart Shieber

根据函数说明生成训练样本，再训练 LoRA 适配器，将一次函数定义构建成可复用的本地神经程序。

在 PAW 的快速编译结果上增加针对当前函数的训练，保留 PAW 的程序格式和解释器接口。

研究程序怎样表示、保存和组合，以及共享解释器怎样执行它们。

根据任务描述、示例或上下文，生成另一个模型使用的参数。

将指令或上下文压缩为激活值或参数更新，在后续调用中复用。

使用 LoRA 权重更新或连续前缀，让冻结的模型执行不同任务。

根据函数说明生成样本，再训练一个可保存、可本地执行的程序。