Перенос между моделями внутри семейства GPT-5.4 показывает смешанное сохранение: SpreadsheetBench на GPT-5.4-mini сохраняет 82% внутридоменного прироста, в то время как GPT-5.4-nano сохраняет только 16% на SpreadsheetBench; LiveMath на nano показывает 140% сохранение, что предполагает, что некоторые процедуры не зависят от модели. Перенос между средами с использованием GPT-5.5 дает самый сильный результат: навык, оптимизированный в Codex, поднимает Claude Code на SpreadsheetBench с 22,1 до 81,8, превышая собственный внутридоменный показатель Claude Code в 80,4. Однако перенос LiveMath из Codex в Claude Code сохраняет только 10% прироста, что указывает на то, что навыки, требующие рассуждений, менее переносимы. Перенос между контрольными тестами с OlympiadBench на Omni-MATH показывает небольшие, но положительные приросты на трех масштабах моделей. Механизм, обеспечивающий перенос, заключается в том, что все режимы выполнения используют один и тот же формат best_skill.md, а процедурный характер навыка (например, проверка структуры рабочей книги) делает его переносимым. Стоимость обучения оплачивается один раз вне сети, без накладных расходов во время вывода. Артефакт доступен для аудита как текстовый файл с журналами каждой правки.