Onderzoekers hebben een techniek ontwikkeld genaamd 'compile by training', waarmee beschrijvingen in natuurlijke taal worden omgezet in compacte, herbruikbare neurale functies. Deze methode vermindert de afhankelijkheid van grote externe AI-modellen en verlaagt de latentie en kosten bij het uitvoeren van tekstfuncties.
In een recent wetenschappelijk artikel, ingediend op 3 september 2026, presenteren Yuntian Deng, Pengyu Nie en Stuart Shieber een nieuwe benadering voor het implementeren van terugkerende tekstfuncties. Veel van deze functies zijn eenvoudig te beschrijven in menselijke taal, maar blijken in de praktijk lastig te realiseren via traditionele regelgebaseerde systemen. Tegelijkertijd brengt het herhaaldelijk aanroepen van grote, externe modellen voor elke input aanzienlijke kosten, vertragingen en een sterke afhankelijkheid van externe providers met zich mee, aldus de auteurs in hun publicatie op arxiv.org.
Hoe 'compile by training' werkt
De kern van de voorgestelde methode is het transformeren van een specificatie in natuurlijke taal naar een lokale neurale functie. Dit proces vindt plaats tijdens de zogenaamde 'compile time'. In deze fase genereren zogenaamde 'teacher models' specifieke voorbeelden die passen bij de taak. Deze data worden vervolgens gebruikt om een kleine adapter te trainen voor een compacte interpreter.
Het resultaat is een functie die volledig onafhankelijk van de oorspronkelijke teacher-modellen kan draaien. Omdat de resulterende functie lokaal wordt uitgevoerd, kan deze op dezelfde manier worden opgeslagen, geversioneerd en gecombineerd als reguliere software. In de informatica wordt de term 'compileren' doorgaans gebruikt voor het vertalen van broncode naar een uitvoerbaar formaat, een concept dat in deze context wordt uitgebreid naar neurale netwerken, zoals ook blijkt uit algemene definities van mijnwoordenboek.nl.
Prestaties en afwegingen
De effectiviteit van de methode is getest op 'FuzzyBench-Hard', een dataset waarbij een andere snelle compiler, de 'Program-as-Weights', geen enkele exacte match wist te produceren. De 'compile by training'-methode behaalde hier een semantische nauwkeurigheid van 83,6%, meldt de publicatie via .
Deze hogere nauwkeurigheid gaat echter gepaard met een hogere kostprijs tijdens het compileringsproces. Waar de snelle compiler slechts enkele seconden nodig heeft, vereist de nieuwe methode ongeveer een minuut om de functie te genereren. Ondanks deze langere voorbereidingstijd is de uiteindelijke uitvoering van de functie efficiënter omdat deze lokaal draait.
Praktische toepassingen
Om de bruikbaarheid van de technologie aan te tonen, hebben de onderzoekers de compiler geïmplementeerd in een publieke interactieve dienst. In het artikel op worden verschillende concrete toepassingen gedemonstreerd:
* Een helper voor websites die op meerdere locaties actief is.
* Een 3D-avatar die via taal wordt aangestuurd.
* Een bidirectionele vertaler tussen het Engels en 'Claudish'.
Het onderzoek is gepresenteerd als onderdeel van de 'System Demonstrations' voor EMNLP 2026. De focus van het werk ligt op de intersectie van computationele taalwetenschap, kunstmatige intelligentie en machine learning, zoals gespecificeerd in de categorieën van . Door complexe instructies te 'compileren' naar kleine, lokale modellen, hopen de onderzoekers de drempel voor efficiënte AI-implementaties in software te verlagen.