SkillOpt de Microsoft Demuestra Transferencia de Skills de Agentes Optimizados Entre Tamaños de Modelo y Entre Harnesses de Código

Investigadores de Microsoft y tres universidades chinas han desarrollado SkillOpt, un optimizador de espacio de texto que entrena documentos de skills en lenguaje natural manteniendo los modelos objetivo congelados. Un modelo optimizador propone ediciones limitadas de agregar-eliminar-reemplazar basadas en rollouts puntuados, aceptando solo ediciones que mejoran estrictamente el desempeño. Los experimentos de transferencia muestran que los skills entrenados en modelos más grandes retienen ganancias significativas cuando se despliegan en variantes más pequeñas—SpreadsheetBench en GPT-5.4-mini preserva el 82% de las ganancias originalmente logradas en GPT-5.4. Notablemente, un skill optimizado dentro de Codex elevó el desempeño de Claude Code de 22.1 a 81.8, ligeramente superior al resultado de optimización en-dominio propio de Claude Code de 80.4, sugiriendo que los skills procedurales se transfieren más efectivamente que aquellos cargados de razonamiento entre diferentes entornos de ejecución.