SkillOpt: AI एजेंट स्किल्स को प्रशिक्षण योग्य पैरामीटर में बदलना

माइक्रोसॉफ्ट रिसर्च के पेपर 'स्किलऑप्ट: सेल्फ-इवॉल्विंग एजेंट स्किल्स के लिए कार्यकारी रणनीति' एजेंट स्किल एडिटिंग को एक प्रशिक्षण प्रक्रिया के रूप में पुनर्परिभाषित करता है। स्किलऑप्ट स्किल फ़ाइल को फ़्रोज़न टार्गेट मॉडल के बाहर एक प्रशिक्षण योग्य पैरामीटर के रूप में मानता है, जो टेक्स्ट स्पेस में फॉरवर्ड-बैकवर्ड-अपडेट चक्र का उपयोग करता है। फॉरवर्ड पास में, फ़्रोज़न मॉडल प्रशिक्षण कार्यों को निष्पादित करता है; बैकवर्ड पास एक ऑप्टिमाइज़र मॉडल का उपयोग करके ट्रैजेक्ट्रीज़ का विश्लेषण करता है; अपडेट स्टेप एक वेलिडेशन चेक द्वारा गेटेड बाउंडेड एडिट प्रस्तावित करता है। अस्वीकृत एडिट को नेगेटिव फीडबैक के लिए संग्रहीत किया जाता है, और एक स्लो/मेटा अपडेट लंबी-अवधि के सबक को समेकित करता है। छह बेंचमार्क (सर्चक्यूए, स्प्रेडशीटबेंच, ऑफिसक्यूए, डॉकवीक्यूए, लाइवमैथमैटिशियनबेंच, एएलएफवर्ल्ड) पर, सात टार्गेट मॉडल (GPT-5.5 से Qwen3.5-4B तक) और तीन निष्पादन मोड (डायरेक्ट चैट, कोडेक्स, क्लॉड कोड) के साथ मूल्यांकन करने पर, स्किलऑप्ट ने सभी 52 सेल में सर्वश्रेष्ठ या बराबरी का परिणाम प्राप्त किया। GPT-5.5 के लिए डायरेक्ट चैट में, छह-बेंचमार्क औसत 58.8 से बढ़कर 82.3 (+23.5 अंक) हो गया। प्रक्रियात्मक बेंचमार्क पर सबसे बड़ा लाभ देखा गया: स्प्रेडशीटबेंच 41.8 से 80.7, ऑफिसक्यूए 33.1 से 72.1, और लाइवमैथमैटिशियनबेंच 37.6 से 66.9 तक। अनुकूलित स्किल मॉडल स्केल, हार्नेस और संबंधित कार्यों में स्थानांतरित हुईं; उदाहरण के लिए, कोडेक्स में प्रशिक्षित एक स्प्रेडशीट स्किल जब क्लॉड कोड में स्थानांतरित की गई, तो बिना स्किल वाली बेसलाइन 22.1 से बढ़कर 81.8 (+59.7) हो गई। अंतिम स्किल फ़ाइलें कॉम्पैक्ट रहीं (मीडियन ~920 टोकन) जिसमें केवल 1-4 स्वीकृत एडिट थे। स्किलऑप्ट बताता है कि प्रशिक्षण को मॉडल वेट के बाहर प्रक्रियात्मक ज्ञान पर लागू किया जा सकता है, जो एजेंटिक वर्कफ़्लो के लिए नियंत्रणीय और ऑडिटेबल अनुकूलन परत प्रदान करता है।