Un equipo de investigación presenta Program-as-Weights (PAW), un paradigma de programación que traduce especificaciones en lenguaje natural en artefactos neuronales compactos ejecutables en local. La propuesta nace de una necesidad concreta: muchas tareas cotidianas —alertar sobre líneas de registro relevantes, reparar JSON malformado o clasificar resultados de búsqueda por intención— no encajan en reglas limpias y suelen delegarse a APIs de modelos de lenguaje, a costa de localidad, reproducibilidad y coste económico.
PAW articula la idea de «programación de funciones difusas»: definir una función a partir de una descripción en lenguaje natural y obtener un módulo neuronal reutilizable. La arquitectura emplea un compilador de 4 000 millones de parámetros entrenado sobre FuzzyBench, un conjunto de datos de 10 millones de ejemplos que los autores publican junto al trabajo. El compilador genera adaptadores eficientes en parámetros para un intérprete ligero congelado de 0 600 millones de parámetros (Qwen3), que ejecuta los programas resultantes.
Los resultados sitúan al intérprete Qwen3 0.6B con programas PAW al nivel de un Qwen3-32B invocado directamente mediante prompting, con aproximadamente una cincuentava parte de la memoria de inferencia y un rendimiento de 30 tokens por segundo en un MacBook M3. El enfoque redefine el papel del modelo de base: deja de ser un solucionador por consulta para convertirse en un constructor de herramientas, invocado una vez por definición de función y reutilizable después en llamadas baratas y offline. PAW se plantea como alternativa a la dependencia de APIs externas para tareas difusas recurrentes.