Resumen Técnico: DECOMPOSER – Aprendiendo a descompilar música simbólica en programas

Definición del Problema

El artículo aborda la descompilación de música simbólica, definida como la tarea de recuperar programas musicales ejecutables y editables a partir de entradas de música simbólica (específicamente MIDI). Mientras que la ejecución musical implica la ejecución de instrucciones de alto nivel, recuperar esas instrucciones a partir de la interpretación resultante es un problema inverso desafiante.

Los autores instancian esta tarea como descompilación de MIDI a Strudel. Strudel es un lenguaje de dominio específico (DSL) para la composición algorítmica y el live coding con sintaxis de JavaScript. A diferencia de MIDI, que representa la música como una secuencia de bajo nivel de eventos de notas, Strudel representa la música a través de expresiones de patrones de alto nivel, operadores para repetición, capas y estructura temporal.

El desafío central radica en equilibrar dos objetivos contrapuestos:

1. Fidelidad (Faithfulness): El programa generado, al ejecutarse, debe reproducir la entrada MIDI con precisión.
2. Legibilidad (Readability): El programa generado debe ser legible por humanos y editable, exponiendo estructuras musicales latentes (por ejemplo, progresiones de acordes, patrones rítmicos) en lugar de ofrecer una transliteración verbosa nota por nota.

Los enfoques existentes no logran equilibrar estos aspectos: los convertidores heurísticos logran una alta fidelidad pero producen código ilegible, mientras que los modelos de lenguaje extensos (LLMs) de frontera a menudo generan código legible que no logra reconstruir fielmente la entrada MIDI. Además, la tarea carece de datos; los conjuntos de datos emparejados naturalmente (MIDI, Strudel) son virtualmente inexistentes, y Strudel es un lenguaje de bajos recursos.

Metodología

Los autores proponen DECOMPOSER, un marco de post-entrenamiento de dos etapas diseñado para optimizar el objetivo de descompilación directamente.

1. Construcción de Datos: STRUDEL-SYNTH

Para abordar la falta de datos de entrenamiento emparejados, los autores construyen STRUDEL-SYNTH, un corpus sintético de 21,174 pares (programa Strudel, MIDI renderizado).

• Generación: Un LLM de frontera (Claude-Opus-4.6) es instruido para generar programas de Strudel basados en semillas musicales (género, estado de ánimo, clave, etc.) y semillas de estilo de código (modismos como mini-notación, apilamiento o arreglos).
• Limpieza: Los programas generados pasan por un proceso de limpieza que involucra reescrituras mediante regex para corregir errores sintácticos comunes y un proceso de poda basado en AST para eliminar "voces muertas" (capas que compilan pero no emiten audio).
• Renderizado: Los programas limpios se ejecutan a través de un entorno de ejecución (runtime) de Strudel sin interfaz gráfica (headless) para producir el MIDI correspondiente.

2. Flujo de Entrenamiento de Dos Etapas

DECOMPOSER emplea una estrategia de entrenamiento secuencial utilizando modelos de pesos abiertos (Qwen3-4B y Qwen3-8B):

• Etapa 1: Ajuste Fino Supervisado (SFT)
  El modelo se ajusta finamente con el conjunto de datos emparejados STRUDEL-SYNTH. Esta etapa enseña al modelo a producir código Strudel válido e idiomático, proporcionando un "arranque en caliente" (warm start) que evita que el modelo colapse en soluciones degeneradas durante el aprendizaje por refuerzo subsiguiente.

• Etapa 2: Aprendizaje por Refuerzo (RL)
  El modelo se optimiza adicionalmente utilizando Optimización de Política con Normalización Desacoplada de Recompensa de Grupo (GDPO).

  • Entrada: Datos MIDI no emparejados (no requiere código de referencia).
  • Proceso: Para una entrada MIDI dada, el modelo toma muestras de un grupo de programas candidatos. Cada candidato se ejecuta a través del entorno de ejecución de Strudel.
  • Función de Recompensa: Se calcula una recompensa compuesta $R(\hat{y}, x)$ basada en:
    1. Fidelidad ($R_{faith}$): Medida por la puntuación F1 de onset multi-instrumental entre el MIDI de entrada y el MIDI renderizado.
    2. Legibilidad ($R_{read}$): Medida por un juez LLM que evalúa una rúbrica fija de 12 criterios binarios que cubren la calidad general del código (formato, comentarios) y abstracciones específicas de Strudel (uso de operadores de patrón, símbolos de acordes, reutilización de variables).
  • Optimización: GDPO normaliza las recompensas para cada componente de forma independiente antes de la agregación, lo que permite al modelo optimizar tanto la fidelidad como la legibilidad sin que una domine a la otra.

Contribuciones Clave

1. Formulación de la Tarea: La introducción de la descompilación de música simbólica como una tarea distinta, centrada en la recuperación de la estructura programática de alto nivel y editable a partir de la música simbólica de bajo nivel.
2. Marco de Trabajo (DECOMPOSER): Un marco de post-entrenamiento de dos etapas que combina SFT con datos sintéticos y RL basado en ejecución con datos no emparejados. Este enfoque permite al modelo aprender a escala sin requerir código de referencia para la etapa de RL.
3. Conjunto de Datos (STRUDEL-SYNTH): La publicación de un corpus sintético a gran escala de 21,174 pares (Strudel, MIDI), construido mediante generación por LLM y ejecución en tiempo de ejecución, que es aproximadamente 30 veces más grande que el código de Strudel escrito por humanos disponible públicamente.
4. Resultados Empíricos: Demostración de que un modelo de 8B con pesos abiertos entrenado con este flujo de trabajo supera sustancialmente a los LLMs de frontera de código cerrado en fidelidad de descompilación, manteniendo una legibilidad comparable.

Resultados

Los experimentos se realizaron en bancos de pruebas MIDI sintéticos (STRUDEL-SYNTH) y del mundo real (LMD, GigaMIDI, NES-MDB, Nottingham).

• Fidelidad: DECOMPOSER supera significativamente a los LLMs de frontera (Claude-Opus-4.6, Gemini-3.5-Flash, GPT-5.5) en la reconstrucción del MIDI de entrada. En el conjunto de datos LMD, el modelo DECOMPOSER (8B) mejoró la puntuación F1 de onset en +0.32 en comparación con el mejor LLM de frontera.
• Legibilidad: A diferencia de los convertidores heurísticos, que logran una alta fidelidad mediante transcripciones verbosas nota por nota (lo que resulta en bajas puntuaciones de legibilidad), DECOMPOSER produce código con puntuaciones de legibilidad (Rúbrica) un orden de magnitud superior, comparables a los LLMs de frontera.
• Diversidad: El modelo evita el "colapso de diversidad", produciendo estructuras de código variadas en lugar de colapsar hacia una única plantilla de transliteración.
• Generalización: El modelo se generaliza bien a conjuntos de datos fuera de su dominio (por ejemplo, chiptune, música folclórica), aunque el rendimiento varía según la regularidad rítmica y la complejidad estructural de la entrada.

Significado y Reivindicaciones

El artículo afirma que DECOMPOSER logra cerrar la brecha entre la fidelidad requerida para una reconstrucción precisa y la legibilidad necesaria para la utilidad humana. Al recuperar la "estructura musical latente" que MIDI aplana en eventos individuales, el sistema permite:

• Edición Programática: Permitir a los usuarios editar estructuras musicales de alto nivel (acordes, escalas, capas) mediante código en lugar de ajustar notas individuales.
• Comprensión Musical: Proporcionar una representación intermedia (código) que es más interpretable para el análisis musical basado en LLM que las secuencias de notas puras.
• Pipeline de Audio-a-Código: Servir como un componente crítico para futuros sistemas de descompilación de audio a código cuando se combine con la transcripción automática de música.

Los autores enfatizan que la equivalencia funcional por sí sola es insuficiente para la descompilación; el programa recuperado debe ser legible y editable para ser útil. DECOMPOSER demuestra que el aprendizaje por refuerzo basado en la ejecución puede optimizar eficazmente este equilibrio en un entorno de lenguaje de dominio específico y de bajos recursos.