AIの能力、異なるAIで再利用可能に

SkillOptは、Microsoft、上海交通大学、同済大学、復旦大学の研究者チームによって開発されたテキスト空間最適化ツールです。SkillOptは、対象となるモデルが固定されたままで、単一の自然言語スキル文書を訓練します。最適化モデルは、評価されたロールアウトを読み取り、範囲を定めた追加/削除/置換の編集を提案します。保持された選択分割は、スコアが厳密に改善された場合にのみ編集を受け入れます。エクスポートされる成果物は、best_skill.mdという1つのファイルです。転送表には3つの列が報告されています。Baselineは、対象モデルがスキルなしの場合のスコアです。Directは、その対象モデルでドメイン内で直接SkillOptを訓練した場合です。Transferredは、他の場所で訓練されたスキルを、それ以上の最適化なしに適用した場合です。有用な比較は、TransferredとDirectの間ではありません。ドメイン内での改善が、どれだけ転送後も維持されるかです。モデル間の転送: ファミリー内、保持率は様々。スキルはGPT-5.4で訓練され、より小さなバリアントに展開されました。SpreadsheetBench GPT-5.4-mini 36.1 47.5 45.5 +9.4 82% 程度の改善。SpreadsheetBench GPT-5.4-nano 23.5 42.5 26.5 +3.0 16% 程度の改善。LiveMath GPT-5.4-mini 14.7 32.8 19.2 +4.5 25% 程度の改善。LiveMath GPT-5.4-nano 23.2 27.2 28.8 +5.6 140% 程度の改善。2つの行に注目する価値があります。GPT-5.4-miniでのSpreadsheetBenchは、ドメイン内での改善の82%を維持しています。これはほぼ無料で再利用できることに近いです。GPT-5.4-nanoでのLiveMathの行はより奇妙です。転送されたスキルは28.8点に対し、ドメイン内SkillOptの結果は27.2点です。この論文は、一部の学習された手順が対象モデルに依存しない証拠としてこれを読み取っています。GPT-5.4-nanoのSpreadsheetBenchの行は16%と弱い結果です。保持率は一様ではなく、論文もそう主張していません。その述べられた範囲はより狭く、どの行も対象モデルのスキルなしのベースラインを下回ることはありません。範囲に注意してください。これら4つの行はすべて1つのGPTファミリー内に留まっています。GPTのようなファミリー間の転送