Resumo Técnico: DECOMPOSER – Aprendendo a Descompilar Música Simbólica em Programas

Definição do Problema

O artigo aborda a descompilação de música simbólica, definida como a tarefa de recuperar programas musicais executáveis e editáveis a partir de entradas de música simbólica (especificamente MIDI). Embora a performance musical envolva a execução de instruções de alto nível, recuperar essas instruções a partir da performance resultante é um problema inverso desafiador.

Os autores instanciam esta tarefa como descompilação de MIDI para Strudel. O Strudel é uma linguagem de domínio específico (DSL) para composição algorítmica e live coding com sintaxe JavaScript. Ao contrário do MIDI, que representa a música como uma sequência de baixo nível de eventos de notas, o Strudel representa a música através de expressões de padrões de alto nível, operadores para repetição, camadas e estrutura temporal.

O desafio central reside em equilibrar dois objetivos concorrentes:

1. Fidelidade (Faithfulness): O programa gerado, quando executado, deve reproduzir o MIDI de entrada com precisão.
2. Legibilidade (Readability): O programa gerado deve ser legível por humanos e editável, expondo estruturas musicais latentes (ex: progressões de acordes, padrões rítmicos) em vez de oferecer uma transliteração verbosa nota a nota.

As abordagens existentes falham em equilibrar estes pontos: conversores heurísticos alcançam alta fidelidade, mas produzem código ilegível, enquanto LLMs de fronteira frequentemente geram código legível que falha em reconstruir fielmente o MIDI de entrada. Além disso, a tarefa é escassa em dados; conjuntos de dados naturalmente pareados (MIDI, Strudel) são virtualmente inexistentes, e o Strudel é uma linguagem de baixos recursos.

Metodologia

Os autores propõem o DECOMPOSER, um framework de pós-treinamento de dois estágios projetado para otimizar o objetivo de descompilação diretamente.

1. Construção de Dados: STRUDEL-SYNTH

Para lidar com a falta de dados de treinamento pareados, os autores constroem o STRUDEL-SYNTH, um corpus sintético de 21.174 pares (programa Strudel, MIDI renderizado).

• Geração: Um LLM de fronteira (Claude-Opus-4.6) é instruído a gerar programas Strudel baseados em sementes musicais (gênero, humor, tonalidade, etc.) e sementes de estilo de código (idiomas como notação mínima, empilhamento ou arranjo).
• Limpeza: Os programas gerados passam por um pipeline de limpeza envolvendo reescritas de regex para corrigir erros sintáticos comuns e um processo de poda baseado em AST para remover "vozes mortas" (camadas que compilam mas não emitem áudio).
• Renderização: Os programas limpos são executados via um runtime de Strudel headless para produzir o MIDI correspondente.

2. Pipeline de Treinamento de Dois Estágios

O DECOMPOSER emprega uma estratégia de treinamento sequencial usando modelos de pesos abertos (Qwen3-4B e Qwen3-8B):

• Estágio 1: Ajuste Fino Supervisionado (SFT)
  O modelo é ajustado finamente no conjunto de dados pareado STRUDEL-SYNTH. Este estágio ensina o modelo a produzir código Strudel válido e idiomático, fornecendo um "aquecimento" (warm start) que evita que o modelo colapse em soluções degeneradas durante o aprendizado por reforço subsequente.

• Estágio 2: Aprendizado por Reforço (RL)
  O modelo é otimizado adicionalmente usando Otimização de Política com Normalização Desacoplada de Recompensa de Grupo (GDPO).

  • Entrada: Dados MIDI não pareados (sem necessidade de código de referência).
  • Processo: Para um dado input MIDI, o modelo amostra um grupo de programas candidatos. Cada candidato é executado via runtime Strudel.
  • Função de Recompensa: Uma recompensa composta $R(\hat{y}, x)$ é calculada com base em:
    1. Fidelidade ($R_{faith}$): Medida pelo score F1 de onset multi-instrumental entre o MIDI de entrada e o MIDI renderizado.
    2. Legibilidade ($R_{read}$): Medida por um juiz LLM avaliando uma lista de verificação fixa de 12 critérios binários (rubrica) que cobrem qualidade de código geral (formatação, comentários) e abstrações específicas de Strudel (uso de operadores de padrão, símbolos de acordes, reutilização de variáveis).
  • Otimização: O GDPO normaliza as recompensas para cada componente de forma independente antes da agregação, permitindo que o modelo otimize tanto a fidelidade quanto a legibilidade sem que uma domine a outra.

Principais Contribuições

1. Formulação da Tarefa: A introdução da descompilação de música simbólica como uma tarefa distinta, focando na recuperação de estrutura programática de alto nível e editável a partir de música simbólica de baixo nível.
2. Framework (DECOMPOSER): Um framework de pós-treinamento de dois estágios combinando SFT em dados sintéticos com RL baseado em execução em dados não pareados. Esta abordagem permite que o modelo aprenda com escala sem exigir código de referência para o estágio de RL.
3. Dataset (STRUDEL-SYNTH): O lançamento de um corpus sintético de larga escala de 21.174 pares (Strudel, MIDI), construído via geração por LLM e execução de runtime, que é aproximadamente 30 vezes maior que o código Strudel autoral humano disponível publicamente.
4. Resultados Empíricos: Demonstração de que um modelo de 8B de pesos abertos treinado com este pipeline supera substancialmente os LLMs de fronteira de código fechado em fidelidade de descompilação, mantendo uma legibilidade comparável.

Resultados

Experimentos foram conduzidos em benchmarks de MIDI sintéticos (STRUDEL-SYNTH) e do mundo real (LMD, GigaMIDI, NES-MDB, Nottingham).

• Fidelidade: O DECOMPOSER supera significativamente os LLMs de fronteira (Claude-Opus-4.6, Gemini-3.5-Flash, GPT-5.5) na reconstrução do MIDI de entrada. No dataset LMD, o modelo DECOMPOSER (8B) melhorou o score F1 de onset em +0,32 em comparação com o melhor LLM de fronteira.
• Legibilidade: Ao contrário dos conversores heurísticos, que alcançam alta fidelidade através de transcrições verbosas nota a nota (resultando em baixos scores de legibilidade), o DECOMPOSER produz código com scores de legibilidade (Rubric) ordens de magnitude superiores, comparáveis aos LLMs de fronteira.
• Diversidade: O modelo evita o "colapso de diversidade", produzindo estruturas de código variadas em vez de colapsar para um único template de transliteração.
• Generalização: O modelo generaliza bem para datasets fora do domínio (ex: chiptune, música folk), embora o desempenho varie dependendo da regularidade rítmica e complexidade estrutural do gênero de entrada.

Significância e Alegações

O artigo afirma que o DECOMPOSER consegue unir a lacuna entre a fidelidade necessária para uma reconstrução precisa e a legibilidade necessária para a utilidade humana. Ao recuperar a "estrutura musical latente" que o MIDI achata em eventos individuais, o sistema permite:

• Edição Programática: Permitindo que usuários editem estruturas musicais de alto nível (acordes, escalas, camadas) via código, em vez de ajustar notas individuais.
• Compreensão Musical: Fornecendo uma representação intermediária (código) que é mais interpretável para análise musical baseada em LLM do que sequências de notas brutas.
• Pipeline Áudio-para-Código: Servindo como um componente crítico para futuros sistemas de descompilação de áudio-para-código quando combinado com transcrição musical automática.

Os autores enfatem que a equivalência funcional sozinha é insuficiente para a descompilação; o programa recuperado deve ser legível e editável para ser útil. O DECOMPOSER demonstra que o aprendizado por reforço baseado em execução pode otimizar efetivamente este equilíbrio em um cenário de linguagem de domínio específico e de baixos recursos.