把一个 AI 模型保存到磁盘，这件事今天变得越来越贵。动辄几百 GB 的检查点，要传输、要归档、要部署到不同硬件，通用压缩器只看字节流，不知道「这是一堆张量」。Brevis 这篇 2026 年 8 月登在 arXiv 的工作，把无损张量压缩改写成一个程序合成问题：与其去压字节，不如去「写一个能把张量重新算出来的最短程序」。
这是迄今最强的「程序合成驱动的张量压缩」开源方案，作者团队来自香港中文大学（深圳）等机构。它把压缩变成一段可执行代码：解压器只要跑这段 DSL 程序，就能逐比特重建出原张量，没有近似，也没有信息损失。
一、为什么张量压缩需要「懂结构」
检查点本质上是结构化数据。同一层里大量张量会重复同一段浮点字段，数值之间常常只有少数几位不同；通用压缩器看不到这种规律，只能用滑动窗口去抓重复字节，自然抓不到「结构上的重复」。张量专用压缩器能做到一些，但通常依赖固定管线，换一种模型或一种量化格式就得重写。
Brevis 的观察是：与其手写一条管线，不如让机器自己合成。给定一个张量，合成器要在语言空间里搜索一段最短的可逆程序，让它执行之后正好输出这个张量。程序越短，压缩比就越好。
二、可逆 DSL：让程序本身就是压缩格式
Brevis 设计了一门面向张量的领域专用语言。所有算子都是可逆的，比如「拷贝上一行」「填一段零」「用同值填充某字段」这种反复出现的张量结构，都有一个对应的逆向算子。一段 DSL 程序就是一个可逆操作序列，执行它就能逐比特重建张量。
这种设计的巧妙之处在于：压缩结果不是「一串字节」，而是「一段可读程序」。你需要解压时，运行这段程序就行；不再依赖外部压缩库，也不需要专门的解码器：只要解释器在，数据就能被还原——这对十几年后想读旧模型的考古学家格外友好。
三、有先验的 A* 搜索：从样本里学出「偏好」
纯程序合成会爆炸，因为搜索空间太大。Brevis 先从一小段代表性张量样本里学一个生产式先验，告诉搜索器「哪些算子在这个模型里更可能出现」。有了这个先验，搜索器跑的是带界的 A*——在「程序长度」「预估误差」「时间预算」之间做权衡，每一步都挑最有希望短下来的分支。
这一步把通用压缩器甩开：zstd 这类工具靠统计重复，看不到张量结构；Brevis 把结构直接编进 DSL，再用先验加快搜索。对大模型而言，少压几个百分点，跨集群归档的代价就少一大截。
四、实验：10 个检查点，2.13 TB 压到 1.41 TB
作者在 10 个公开检查点上做了评估，覆盖语言、音频、图像生成三类模型。Brevis 把 2.13 TB 的检查点数据压到 1.41 TB，整体减少 33.93%；与 zstd 等四种通用压缩器相比，产出的归档体积最多再小 30.87%。对几 GB 的单张量，它跑得也不慢——程序合成的开销被压缩收益盖过了。
五、它意味着什么：压缩格式变成可执行程序
Brevis 给出了一个新的思路：压缩格式 = 程序。当压缩格式本身就是一段可读、可逆、可运行的 DSL 代码，归档系统就不需要为每一种模型单独维护解码器，几十年后想打开旧检查点，只要保留解释器就够了。
对工程团队来说，这件事的现实收益很直接：更大的压缩比等于更便宜的存储和带宽，而解释器只是几行启动代码，部署门槛几乎为零。下一个问题是，这门 DSL 能不能走出「张量」这一类，去压缩稀疏嵌入、知识图谱乃至整个模型仓库——那是程序合成下一步值得期待的方向。
参考文献：Shi Jieke, He Junda, Jiang Wenjia, Sun Weifeng, Pan Shidong, Sun Zhensu 等，《Lossless Tensor Compression as Program Synthesis》，arXiv:2608.02162，2026 年 8 月 3 日提交。