通过训练编译：将自然语言规范转化为本地神经函数

许多重复出现的文本功能虽然易于描述，却难以用规则实现，而若对每个输入都调用大型远程模型，则会带来重复的成本、延迟以及对服务提供方的依赖。我们提出“通过训练进行编译”（compile by training），该方法能将自然语言规范转化为可复用的神经函数。在编译阶段，教师模型生成任务特定的示例，用于训练一个紧凑解释器的小型适配器。由此得到的函数无需教师模型即可运行，并且可以像普通软件一样存储、版本化及组合使用。在FuzzyBench-Hard上——这是Program-as-Weights快速编译器未能产生任何精确匹配的子集——通过训练进行编译达到了83.6%的语义准确率。这一更高的准确率伴随着更高的编译成本：大约需要一分钟，而快速编译器仅需数秒。我们将该编译器部署于一个公开的交互式服务中，并在多站点网站助手、语言控制的3D虚拟形象以及一个双向英语-Claudish翻译器中展示了编译后的函数。