Stora språkmodeller har snabbt blivit ett självklart verktyg för programmerare. De används idag för allt från att hitta buggar och förklara kod till att skriva funktioner och automatisera repetitiva arbetsuppgifter.
Nu har forskare presenterat en ny AI-arkitektur som kan göra dessa uppgifter både snabbare och mer tillförlitliga. Den nya metoden, kallad Program-as-Weights (PAW), låter AI-modellen utföra programmeringsuppgifter genom att omvandla instruktioner direkt till modellens interna parametrar, istället för att generera traditionell programkod. Resultaten har presenterats i en vetenskaplig artikel på preprint-servern arXiv.
Ett nytt sätt att använda AI
Dagens stora språkmodeller arbetar vanligtvis genom att steg för steg generera text eller kod som sedan körs av ett separat program.
PAW fungerar annorlunda.
Istället för att skapa ett nytt program översätts användarens instruktion direkt till modellens vikter – de numeriska parametrar som styr hur AI bearbetar information. På så sätt blir själva modellen det program som utför uppgiften.
Forskarna beskriver detta som ett nytt beräkningsparadigm där programlogiken byggs in direkt i AI-modellen, vilket minskar behovet av traditionell kodgenerering.
Automatiserar vanliga utvecklaruppgifter
Tekniken är främst utvecklad för att hjälpa programmerare med återkommande arbetsmoment.
Exempel på uppgifter som PAW kan hantera är:
- felsökning av programkod
- förklaringar av komplex kod
- filtrering och analys av loggfiler
- textbearbetning
- enklare automatisering av utvecklingsflöden
Eftersom modellen inte behöver generera och exekvera stora mängder kod för varje uppgift kan arbetsflödet bli både snabbare och mer effektivt.
Snabbare och mer resurseffektivt
Forskarna menar att den största fördelen med PAW är att den reducerar flera av de steg som normalt krävs när en språkmodell ska utföra en programmeringsuppgift.
Genom att direkt skapa en uppgiftsspecifik modell kan beräkningarna effektiviseras samtidigt som behovet av omfattande kodgenerering minskar.
Det kan i sin tur leda till lägre beräkningskostnader och snabbare svarstider, särskilt för återkommande arbetsuppgifter som annars kräver många separata AI-anrop.
Bygger på LoRA-teknik
Den nya metoden använder en etablerad teknik som kallas LoRA (Low-Rank Adaptation).
LoRA används redan idag för att finjustera stora språkmodeller utan att hela modellen behöver tränas om från början. I PAW används samma princip för att skapa tillfälliga, uppgiftsspecifika modellvikter utifrån användarens instruktion.
Det innebär att AI snabbt kan anpassa sig till en specifik uppgift utan att den ursprungliga modellen behöver förändras permanent.
Kan bli viktig för framtidens AI-agenter
Forskarna ser PAW som ett möjligt steg mot mer avancerade AI-agenter som kan utföra längre arbetsflöden med mindre mänsklig inblandning.
Istället för att endast besvara en fråga skulle framtida AI-system kunna omvandla instruktioner till specialiserade modeller som automatiskt genomför hela arbetsuppgifter, exempelvis felsöker ett program, analyserar loggar och föreslår lösningar i ett sammanhängande arbetsflöde.
Tekniken befinner sig fortfarande på forskningsstadiet, men forskarna tror att konceptet kan få betydelse för nästa generation av AI-baserade utvecklarverktyg och programmeringsassistenter.
Publikationsuppgifter
Program-as-Weights: A New Paradigm for Automating Everyday Programming Tasks, arXiv (2026). DOI: 10.48550/arXiv.2607.02512.
