중요한 로그 라인에 대한 알림, 잘못된 형식의 JSON 복구, 또는 의도에 따른 검색 결과 순위 지정과 같은 많은 일상적인 프로그래밍 작업들은 깔끔한 규칙 기반(rule-based) 구현이 어렵습니다. 이러한 작업들은 로컬리티(locality), 재현성(reproducibility), 그리고 비용의 희생을 감수하며 점점 더 대규모 언어 모델(LLM) API로 외주화되고 있습니다. 우리는 퍼지 함수 프로그래밍(fuzzy-function programming)을 제안합니다. 이는 자연어 명세(natural-language specification)로부터 컴파일하여, 컴팩트하고 로컬에서 실행 가능한 신경망 아티팩트(neural artifact)를 생성하는 방식입니다. 우리는 이 패러다임을 Program-as-Weights (PAW)로 구체화합니다. PAW에서는 우리가 공개하는 1,000만 개의 예제로 구성된 데이터셋인 FuzzyBench로 학습된 4B 컴파일러가, 동결된(frozen) 경량 인터프리터를 위한 매개변수 효율적인 어댑터(parameter-efficient adapters)를 생성합니다. PAW 프로그램을 실행하는 0.6B Qwen3 인터프리터는 Qwen3-32B를 직접 프롬프팅(prompting)하는 것과 대등한 성능을 보이면서도, 추론 메모리는 약 50분의 1만 사용하며 MacBook M3에서 초당 30토큰(30 tokens/s)의 속도로 실행됩니다. PAW는 파운데이션 모델(foundation model)을 입력당 문제를 해결하는 해결사에서 도구 제작자(tool builder)로 재정의합니다. 함수 정의당 한 번 호출되면, 이후 함수 적용 시마다 저렴하고 오프라인으로 호출 가능한 작고 재사용 가능한 아티팩트를 생성합니다.