盖世汽车讯 开发人员越来越依赖大型语言模型(LLM)来执行日常计算任务，例如修复错误、解释代码以及自动执行文本处理任务（例如过滤日志）。

然而，这并不像输入或提交问题并依靠模型给你答案那么简单。虽然人类很容易理解这些任务并确切地知道他们想要什么，但很难将它们转化为严格的计算机代码。

图片来源：arXiv

云端困境

由于常规编程往往难以胜任某些任务，开发人员常利用人工智能（AI）来处理那些难以用传统规则定义的复杂工作。然而，许多强大的AI模型体量巨大，无法直接在笔记本电脑或手机上运行，因此开发人员不得不通过互联网将数据发送至付费云服务平台。这种做法不仅存在隐私数据泄露的风险，还可能因AI服务商更新模型而导致软件故障，且成本高昂。

不过，这一难题或许很快就能迎刃而解。据外媒报道，来自滑铁卢大学（University of Waterloo）、康奈尔大学（Cornell University）和哈佛大学（Harvard University）的研究团队开发出了一种名为“程序即权重”（Program-as-Weights，简称PAW）的新范式，旨在简化这一过程。相关研究成果已发表在预印本平台arXiv上。

PAW摒弃了将每个用户请求反复发送给大型AI模型的做法，转而采用“一次编译，本地运行”的策略。它利用AI充当“一次性构建器”，将开发者用通俗英语编写的指令转化为一个微型定制AI插件，以便日后针对同一任务重复使用。

该插件可下载并加载到用户笔记本电脑或手机上的小型AI模型中，且支持离线运行。研究人员在论文中写道：“PAW重新定义了基础模型的角色：它不再是针对每次输入进行求解的工具，而是转变为一种‘工具构建器’。”

为了验证PAW在实际应用中的效果，研究人员利用FuzzyBench对其进行了测试；该数据库包含1000万个编程任务示例，涵盖了日志过滤和损坏JSON文件修复等场景。他们将一个运行PAW工具的轻量级AI模型与Qwen3-32B进行了对比——后者的参数量是前者的50多倍。结果显示，在研究人员设定的模糊编程任务基准测试中，PAW模型的准确率达到了73.78%，而那个参数量更大的模型准确率为68.7%。

PAW的运行速度也很快。在搭载M3芯片的MacBook上，利用一个430MB大小的量化解释器，它每秒可处理约30个Token；这意味着它无需依赖服务器，即可在普通消费级硬件上高效运行。

获取代码

有意使用PAW的开发者可以直接使用，因为研究人员已随论文一同发布了相关代码。在阐述对未来的愿景时，研究团队表示：“我们希望‘程序即权重’（Program-as-Weights）这一理念能助力实现这样一种未来：小型语言模型（LM）充当运行时环境，即由大型模型负责编译，而小型模型负责执行。”