Microsofts SkillOpt laat zien dat geoptimaliseerde agent-skill-artefacten overdraagbaar zijn tussen modelschalen en tussen Codex- en Claude Code-harnesses

SkillOpt is een tekstruimte-optimalisator die één enkel natuurlijk taalvaardigheidsdocument traint terwijl het doelmodel bevroren blijft. Een optimalisatormodel stelt begrensde bewerkingen voor aan de vaardigheid op basis van gescoorde rollouts, en een aparte validatieset accepteert bewerkingen alleen als de score strikt verbetert. Het geëxporteerde artefact is een enkel bestand, best_skill.md. Cross-modeloverdracht binnen de GPT-5.4-familie toont gemengde retentie: SpreadsheetBench op GPT-5.4-mini behoudt 82% van de domeinspecifieke winst, terwijl GPT-5.4-nano slechts 16% behoudt op SpreadsheetBench; LiveMath op nano toont 140% retentie, wat suggereert dat sommige procedures modelonafhankelijk zijn. Cross-harnessoverdracht met GPT-5.5 levert het sterkste resultaat op: een vaardigheid geoptimaliseerd in Codex tilt Claude Code op SpreadsheetBench van 22.1 naar 81.8, hoger dan Claude Code's eigen domeinspecifieke score van 80.4. LiveMath-overdracht van Codex naar Claude Code behoudt echter slechts 10% van de winst, wat aangeeft dat redeneerintensieve vaardigheden minder overdraagbaar zijn. Cross-benchmarkoverdracht van OlympiadBench naar Omni-MATH toont kleine maar positieve winsten op drie modelschalen. Het mechanisme dat overdracht mogelijk maakt, is dat alle uitvoeringsmodi hetzelfde best_skill.md-formaat gebruiken, en het procedurele karakter van de vaardigheid (bijv. inspectie van werkboekstructuur) maakt het overdraagbaar. De trainingskosten worden eenmalig offline betaald, zonder overhead tijdens inferentie. Het artefact is controleerbaar als tekstbestand met bewerkingslogboeken per bewerking.