[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-program-as-weights-fuzzy-functions-zh":3,"article-related-program-as-weights-fuzzy-functions-zh":30,"series-research-6cfddc0d-ce6e-4a14-baf7-3531bf32bc5d":73},{"id":4,"slug":5,"title":6,"content":7,"summary":8,"source":9,"source_url":10,"author":11,"image_url":12,"cover_image":12,"category":13,"language":14,"translated_content":11,"related_article_id":15,"keywords":16,"key_takeaways":22,"views":26,"created_at":27,"published_at":28,"topic_cluster_id":29},"6cfddc0d-ce6e-4a14-baf7-3531bf32bc5d","program-as-weights-fuzzy-functions-zh","PAW把提示詞編成可重用工具","\u003Cp data-speakable=\"summary\">PAW把自然語言任務規格編成可離線執行的小型神經\u003Ca href=\"\u002Fnews\u002Fopen-source-ai-coding-agents-paid-tools-zh\">工具\u003C\u002Fa>，讓模糊任務能重複使用、降低推理成本。\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>研究機構\u003C\u002Fstrong>：arXiv 摘要未明確標註\u003C\u002Fli>\u003Cli>\u003Cstrong>核心數據\u003C\u002Fstrong>：0.6B interpreter 對上 Qwen3-32B；另有 10M-example FuzzyBench\u003C\u002Fli>\u003Cli>\u003Cstrong>突破點\u003C\u002Fstrong>：把規格編成權重\u003C\u002Fli>\u003C\u002Ful>\u003Cp>這篇論文想處理的，不是規則很漂亮的程式問題，而是那種每天都會遇到、卻很難寫成明確 if-else 的模糊任務。作者的主張很直接：與其每次都把問題丟給大型語言模型即時推理，不如先把任務編譯成可重用的神經工具，再在本地執行。\u003C\u002Fp>\u003Cp>這個方向對開發者很有吸引力。像日誌過濾、損壞 JSON 修復、依意圖排序這類工作，通常都不是單次問答，而是會反覆出現的流程。若每次都依賴雲端 \u003Ca href=\"\u002Ftag\u002Fapi\">API\u003C\u002Fa>，不只延遲和成本高，行為也不一定容易固定。\u003C\u002Fp>\u003Ch2>這篇在解什麼痛點\u003C\u002Fh2>\u003Cp>摘要把目標鎖定在「日常程式任務」：它們不是完全沒規則，而是規則很難被乾淨地寫死。這類任務最麻煩的地方，在於邊界案例多、語意又常常帶點模糊，讓傳統程式語言不容易直接表達。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783062178440-pnt0.png\" alt=\"PAW把提示詞編成可重用工具\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>目前常見做法，是把這些工作交給 \u003Ca href=\"\u002Ftag\u002Fllm\">LLM\u003C\u002Fa> API。這能解一部分問題，但也把系統綁在遠端推理上。論文點出的代價有三個：本地性、可重現性、價格。換句話說，就是延遲、基礎設施依賴，以及營運一致性。\u003C\u002Fp>\u003Cp>PAW 的切法不同。它不是把 foundation model 當成每次都要回答的即時求解器，而是把它當成工具製造機。模型只在定義函式時被叫一次，不是在每次呼叫函式時都重新思考一次。\u003C\u002Fp>\u003Ch2>PAW 到底怎麼運作\u003C\u002Fh2>\u003Cp>這篇論文的核心概念叫 fuzzy-function programming。白話講，就是把自然語言的任務規格，編譯成一個小型神經產物，然後在本地跑。這裡的「程式」不再只是傳統語言的原始碼，而是權重本身。\u003C\u002Fp>\u003Cp>PAW 具體做法有兩個元件。第一，作者用 FuzzyBench 訓練一個 4B compiler；第二，這個 compiler 會輸出 parameter-efficient adapters，接到一個 frozen、lightweight 的 interpreter 上。\u003C\u002Fp>\u003Cp>流程可以想成：先把任務描述交給編譯器，讓它產生一個小型模型附加物；之後由解譯器去執行這個附加物。因為 interpreter 是凍結的、而且本身輕量，所以這個產物的設計目標就是一次編譯、多次重用，執行時也盡量便宜。\u003C\u002Fp>\u003Cp>這跟一般 prompt-based 用法不一樣。一般做法是每次都問一個通用模型；PAW 比較像是先把函式編出來，再呼叫這個函式。差別不只在介面，也在部署方式。\u003C\u002Fp>\u003Ch2>論文實際證明了什麼\u003C\u002Fh2>\u003Cp>摘要裡最重要的結果，是一個 0.6B 的 Qwen3 interpreter 執行 PAW 程式時，表現可以匹配直接 prompt Qwen3-32B。這是這篇論文最核心的證據：它想證明的不是單純更小，而是把任務壓縮成可重用形式後，能力仍能保住。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783062174908-6a94.png\" alt=\"PAW把提示詞編成可重用工具\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>另一個同樣關鍵的數字是資源消耗。作者表示，PAW 的推理記憶體大約只有對照方式的五十分之一，而且在 MacBook M3 上可達每秒 30 tokens。對實作的人來說，這種資訊比抽象的「更有效率」更有意義，因為它直接關係到系統能不能從雲端搬回本機。\u003C\u002Fp>\u003Cp>不過，這篇摘要沒有公開完整 \u003Ca href=\"\u002Ftag\u002Fbenchmark\">benchmark\u003C\u002Fa> 細節。沒有看到更細的任務表、ablation、失敗案例或分項分數，所以目前能確認的，是高層級比較與資源數字，而不是完整性能地圖。\u003C\u002Fp>\u003Cp>就論文自己的敘事來看，PAW 不是想靠硬拚把所有任務都打贏 frontier model。它更像是在主張：如果一個模糊任務會重複發生，那就把它壓成一個可重用的表示，讓後續執行便宜很多。\u003C\u002Fp>\u003Ch2>對開發者有什麼實際影響\u003C\u002Fh2>\u003Cp>如果你在做的系統，常常要反覆處理同一類不夠死板的轉換，這篇就很值得注意。摘要舉的例子包含重要日誌警示、壞掉的 JSON 修復，以及依意圖做搜尋排序。這些任務都很典型：不是完全無法規則化，但也很難靠傳統程式碼優雅寫完。\u003C\u002Fp>\u003Cp>PAW 提供的是另一種部署模式。先用較大的模型把任務合成一個特化的神經產物，之後再在本地或本機伺服器執行。這可能讓某些 LLM 工作流更容易重現，因為行為被綁在編譯後的產物上，而不是每次都依賴一個可能變動的遠端模型。\u003C\u002Fp>\u003Cp>它也會改變「AI 功能」的成本結構。若一個功能能被編成小型 adapter，並在本地執行，就不一定要為每個 request 付出大型 hosted model 的推理成本。摘要中的記憶體與速度數字，正是在往這個方向指。\u003C\u002Fp>\u003Ch2>限制與還沒回答的問題\u003C\u002Fh2>\u003Cp>這篇摘要給了\u003Ca href=\"\u002Fnews\u002Fmicrosoft-2point5b-ai-implementation-unit-enterprise-zh\">很清楚\u003C\u002Fa>的方向，但也留下不少空白。它沒有說明這個方法的任務覆蓋範圍到底有多廣，除了文中提到的幾個例子之外，還能不能穩定處理更多類型的 fuzzy task。\u003C\u002Fp>\u003Cp>它也沒有交代，編譯出來的產物對 distribution shift 有多敏感。也就是說，當輸入資料分布改變、或任務語境慢慢漂移時，這種 compiled artifact 是否還能維持同樣表現，摘要裡看不到答案。\u003C\u002Fp>\u003Cp>另一個現實問題是規格撰寫成本。PAW 需要自然語言任務描述，但摘要沒有說明，這個描述要寫到多精準才夠、需不需要額外人工整理、以及錯誤規格會不會直接影響最後產物。\u003C\u002Fp>\u003Cp>最後是系統複雜度。這套方法引入了 compiler、dataset、和 frozen interpreter。對有大量重複使用案例的團隊，這可能很划算；但如果只是偶發任務，整體流程就未必比直接呼叫 API 更簡單。\u003C\u002Fp>\u003Ch2>總結\u003C\u002Fh2>\u003Cp>PAW 想做的事很明確：把模糊任務從「每次都問模型」改成「先編譯成工具，再反覆執行」。這讓自然語言規格不只是 prompt，而是可以\u003Ca href=\"\u002Fnews\u002Fmistral-ocr-4-prices-document-ai-enterprise-zh\">變成\u003C\u002Fa>可重用的神經程式。\u003C\u002Fp>\u003Cp>從摘要看，它的主張也不是空想。作者聲稱 0.6B interpreter 在 PAW 程式上可以對上 Qwen3-32B 的直接提示表現，同時還能把推理記憶體壓到約五十分之一，並在 MacBook M3 上跑到每秒 30 tokens。對想把 AI 功能拉回本地的開發者來說，這是很實際的訊號。\u003C\u002Fp>\u003Cp>但也要記得，這些都還是摘要層級的資訊。完整 benchmark、任務範圍與失敗條件，摘要沒有公開。現在能確定的是：這篇論文把「提示詞」往「可重用工具」推了一大步。\u003C\u002Fp>\u003Cul>\u003Cli>PAW 把自然語言規格編譯成可重用的神經產物。\u003C\u002Fli>\u003Cli>摘要中的 0.6B interpreter 可對上 Qwen3-32B 直接提示表現。\u003C\u002Fli>\u003Cli>方法主打本地執行、較低記憶體與較高重用性。\u003C\u002Fli>\u003C\u002Ful>","PAW把自然語言任務規格編成可離線執行的小型神經工具，讓模糊任務能重複使用、降低推理成本。","arxiv.org","https:\u002F\u002Farxiv.org\u002Fabs\u002F2607.02512",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783062178440-pnt0.png","research","zh","93228acd-047c-403b-bbbb-15e1498522df",[17,18,19,20,21],"fuzzy-function programming","parameter-efficient adapters","local inference","Qwen3","compiler",[23,24,25],"把模糊任務從即時問答改成可重用編譯產物。","摘要聲稱小型 interpreter 可匹配大型模型直接提示表現。","目前公開資訊只有摘要層級，完整 benchmark 細節未公開。",0,"2026-07-03T07:02:32.5878+00:00","2026-07-03T07:02:32.577+00:00","0c35a120-52fc-41fc-afa3-d404eb934158",{"tags":31,"relatedLang":32,"relatedPosts":36},[],{"id":15,"slug":33,"title":34,"language":35},"program-as-weights-fuzzy-functions-en","Program-as-Weights turns prompts into reusable tools","en",[37,43,49,55,61,67],{"id":38,"slug":39,"title":40,"cover_image":41,"image_url":41,"created_at":42,"category":13},"8f3122c8-9eb1-4aa6-b780-3b62003b3418","deepspec-data-regeneration-pipeline-qwen3-eagle3-zh","DeepSpec 應被視為資料重生管線，而不是訓練技巧","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783080165006-321z.png","2026-07-03T12:02:18.375863+00:00",{"id":44,"slug":45,"title":46,"cover_image":47,"image_url":47,"created_at":48,"category":13},"5bd0dc27-5a7f-4563-8086-acccc98eb2fc","lacuna-llm-unlearning-localization-testbed-zh","LACUNA：檢驗 LLM 真的有沒有忘記","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783060373883-d92j.png","2026-07-03T06:32:31.28626+00:00",{"id":50,"slug":51,"title":52,"cover_image":53,"image_url":53,"created_at":54,"category":13},"ff17d0f0-f249-41e3-b62e-658282631451","persistent-state-ai-agents-attack-surface-zh","持久狀態 AI 代理的新攻擊面","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783058580349-ldhu.png","2026-07-03T06:02:30.282788+00:00",{"id":56,"slug":57,"title":58,"cover_image":59,"image_url":59,"created_at":60,"category":13},"4c1c0228-6f8e-4be6-b948-61bc48e67746","language-critiques-imitation-learning-zh","語言批註讓模仿學習更準","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782975775937-7kd6.png","2026-07-02T07:02:28.766504+00:00",{"id":62,"slug":63,"title":64,"cover_image":65,"image_url":65,"created_at":66,"category":13},"5b59165e-18fd-4c10-afa4-1307e39a11f0","one-transformer-layer-can-carry-rl-gains-zh","單層 Transformer 也能扛住 RL 增益","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782973979895-px83.png","2026-07-02T06:32:29.183313+00:00",{"id":68,"slug":69,"title":70,"cover_image":71,"image_url":71,"created_at":72,"category":13},"269ae2f5-ce51-4e00-8771-eab2f264e074","bineval-binary-questions-llm-evals-zh","BINEVAL 用二元問題評估 LLM 輸出","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782927171316-0dkv.png","2026-07-01T17:32:23.660464+00:00",[74,79,84,89,94,99,104,109,114,119],{"id":75,"slug":76,"title":77,"created_at":78},"f18dbadb-8c59-4723-84a4-6ad22746c77a","deepmind-bets-on-continuous-learning-ai-2026-zh","DeepMind 押注 2026 連續學習 AI","2026-03-26T08:16:02.367355+00:00",{"id":80,"slug":81,"title":82,"created_at":83},"f4a106cb-02a6-4508-8f39-9720a0a93cee","ml-papers-of-the-week-github-research-desk-zh","每週 ML 論文清單，為何紅到 GitHub","2026-03-27T01:11:39.284175+00:00",{"id":85,"slug":86,"title":87,"created_at":88},"c4f807ca-4e5f-47f1-a48c-961cf3fc44dc","ai-ml-conferences-to-watch-in-2026-zh","2026 AI 研討會投稿時程整理","2026-03-27T01:51:53.874432+00:00",{"id":90,"slug":91,"title":92,"created_at":93},"cf046742-efb2-4753-aef9-caed5da5e32e","adaptive-block-scaled-data-types-zh","IF4：神經網路量化的聰明選擇","2026-03-31T06:00:36.990273+00:00",{"id":95,"slug":96,"title":97,"created_at":98},"53a0dc54-0371-4e40-8d5e-74e94a73840c","geometry-aware-similarity-metrics-for-neural-representations-zh","超越距離測量：用微分幾何重新理解神經網路","2026-03-31T06:01:01.241968+00:00",{"id":100,"slug":101,"title":102,"created_at":103},"fee7d472-a775-4b1d-bbc2-1e8bca1bbf8b","on-the-fly-repulsion-in-the-contextual-space-for-rich-divers-zh","讓AI繪圖更有創意：用排斥力提升生成多樣性","2026-03-31T06:01:25.439673+00:00",{"id":105,"slug":106,"title":107,"created_at":108},"a9901203-d69b-447b-8854-15d14eab32b4","vision-aided-beam-prediction-cnn-eca-zh","影像輔助波束預測升級 CNN","2026-04-01T10:00:25.8073+00:00",{"id":110,"slug":111,"title":112,"created_at":113},"b55e7dd4-0a24-4b3d-804d-b0309a03f498","triple-band-fss-mimo-antenna-sub-6-ghz-zh","三頻 FSS MIMO 天線瞄準 sub-6 GHz","2026-04-01T13:18:36.857305+00:00",{"id":115,"slug":116,"title":117,"created_at":118},"f68290bd-e7f3-4b30-ba22-dcd4e0130a66","openclaw-1299-repos-eight-weeks-analysis-zh","OpenClaw 1299 個 Repo 的資料解讀","2026-04-02T05:03:45.208411+00:00",{"id":120,"slug":121,"title":122,"created_at":123},"ed9f80eb-eb02-4d35-8ad4-0ddf428751dd","beam-coherence-aware-combining-mmwave-mimo-zh","毫米波 MIMO 的雙階合併法","2026-04-02T05:27:26.897188+00:00"]