SkillOpt da Microsoft mostra que artefatos otimizados de habilidades de agentes transferem entre escalas de modelo e entre harnesses Codex e Claude Code

SkillOpt é um otimizador de espaço de texto que treina um único documento de habilidade em linguagem natural enquanto o modelo alvo permanece congelado. Um modelo otimizador propõe edições limitadas à habilidade com base em execuções pontuadas, e uma divisão de validação aceita edições apenas se a pontuação melhorar estritamente. O artefato exportado é um único arquivo, best_skill.md. A transferência entre modelos da família GPT-5.4 mostra retenção mista: SpreadsheetBench no GPT-5.4-mini retém 82% do ganho no domínio, enquanto o GPT-5.4-nano retém apenas 16% no SpreadsheetBench; LiveMath no nano mostra retenção de 140%, sugerindo que alguns procedimentos são agnósticos ao modelo. A transferência entre plataformas usando GPT-5.5 produz o resultado mais forte: uma habilidade otimizada no Codex eleva o Claude Code no SpreadsheetBench de 22,1 para 81,8, superando a pontuação do próprio Claude Code no domínio, que é 80,4. No entanto, a transferência de LiveMath do Codex para o Claude Code retém apenas 10% do ganho, indicando que habilidades pesadas em raciocínio são menos portáveis. A transferência entre benchmarks de OlympiadBench para Omni-MATH mostra ganhos pequenos, mas positivos, em três escalas de modelo. O mecanismo que possibilita a transferência é que todos os modos de execução consomem o mesmo formato best_skill.md, e a natureza procedural da habilidade (por exemplo, inspeção da estrutura da pasta de trabalho) a torna portátil. O custo de treinamento é pago uma vez offline, sem sobrecarga no tempo de inferência. O artefato é auditável como um arquivo de texto com registros de cada edição.