SkillOpt của Microsoft cho thấy các artifact kỹ năng được tối ưu hóa có thể chuyển giao qua nhiều quy mô mô hình và giữa các harness Codex và Claude Code

SkillOpt là một công cụ tối ưu hóa không gian văn bản, huấn luyện một tài liệu kỹ năng ngôn ngữ tự nhiên duy nhất trong khi mô hình mục tiêu vẫn được giữ nguyên. Một mô hình tối ưu hóa đề xuất các chỉnh sửa có giới hạn cho kỹ năng dựa trên các lần chạy thử được chấm điểm, và một phần dữ liệu được tách riêng chỉ chấp nhận các chỉnh sửa nếu điểm số cải thiện một cách nghiêm ngặt. Sản phẩm đầu ra là một tệp duy nhất, best_skill.md. Việc chuyển giao giữa các mô hình trong cùng dòng GPT-5.4 cho thấy mức độ duy trì không đồng đều: SpreadsheetBench trên GPT-5.4-mini giữ lại 82% mức tăng trong miền, trong khi GPT-5.4-nano chỉ giữ lại 16% trên SpreadsheetBench; LiveMath trên nano cho thấy mức duy trì 140%, gợi ý rằng một số quy trình không phụ thuộc vào mô hình. Chuyển giao giữa các hệ thống sử dụng GPT-5.5 mang lại kết quả mạnh nhất: một kỹ năng được tối ưu hóa trong Codex nâng điểm của Claude Code trên SpreadsheetBench từ 22,1 lên 81,8, vượt qua điểm trong miền của chính Claude Code là 80,4. Tuy nhiên, chuyển giao LiveMath từ Codex sang Claude Code chỉ giữ lại 10% mức tăng, cho thấy các kỹ năng nặng về lý luận kém khả chuyển hơn. Chuyển giao giữa các điểm chuẩn từ OlympiadBench sang Omni-MATH cho thấy mức tăng nhỏ nhưng tích cực ở ba quy mô mô hình. Cơ chế cho phép chuyển giao là tất cả các chế độ thực thi đều sử dụng cùng định dạng best_skill.md, và bản chất thủ tục của kỹ năng (ví dụ: kiểm tra cấu trúc bảng tính) làm cho nó có thể chuyển giao. Chi phí huấn luyện được trả một lần ngoại tuyến, không có chi phí thêm tại thời điểm suy luận. Sản phẩm là một tệp văn bản có thể kiểm toán với nhật ký chỉnh sửa cho từng thay đổi.