Недавнее исследование Microsoft под названием SkillOpt открывает новые горизонты в области искусственного интеллекта, демонстрируя удивительную способность ИИ-агентов переносить и применять свои навыки в совершенно новых средах, для которых они не были изначально обучены. Хотя многие новостные сводки сосредоточились на впечатляющем результате 52/52, истинная значимость работы SkillOpt заключается в её способности демонстрировать, как экспортированные артефакты навыков могут сохранять свою эффективность при переносе между различными масштабами моделей и даже между различными платформами, такими как Codex и Claude Code. Это фундаментальное открытие может значительно ускорить разработку и развёртывание интеллектуальных систем.
Ключевой вывод, подробно описанный в разделе 4.3 исследования, заключается в том, что лучший экспортированный навык (`best_skill.md`) продолжает функционировать в средах, в которых он никогда не проходил обучение. Это означает, что однажды разработанный и оптимизированный навык может быть повторно использован, что потенциально снижает потребность в обширном переобучении для каждой новой платформы или задачи. Такой подход обещает революционизировать процесс создания ИИ-агентов, делая их более гибкими и экономичными в разработке.
Ярким примером этой переносимости является случай, когда навык SpreadsheetBench, обученный на модели Codex, был успешно применён к модели Claude Code. В результате производительность Claude Code по задачам электронных таблиц значительно возросла — с 22.1 до 81.8. Примечательно, что этот показатель лишь немного превышает результат в 80.4, достигнутый Claude Code при обучении собственного навыка. Это демонстрирует, что перенесённый навык не только работает, но и обеспечивает почти такую же эффективность, как и нативно обученный.
Однако исследование также подчёркивает, что степень сохранения навыков при переносе сильно зависит от типа задачи. Например, на задачах с электронными таблицами наблюдается впечатляющая 102%-ная переносимость, что означает, что навык не только сохранил свою эффективность, но и немного улучшился в новой среде. В то же время, на математических задачах переносимость составила всего 10%. Это важное наблюдение указывает на необходимость дальнейших исследований для понимания факторов, влияющих на успешность переноса навыков в зависимости от предметной области.
Результаты SkillOpt от Microsoft открывают захватывающие перспективы для создания более универсальных и адаптируемых ИИ-агентов. Возможность переносить обученные навыки между различными моделями и платформами может значительно сократить время и ресурсы, необходимые для разработки сложных систем ИИ. Понимание того, почему некоторые навыки переносятся лучше, чем другие, станет ключевым направлением для будущих исследований, что позволит создавать более надёжные и эффективные методы обучения и развёртывания искусственного интеллекта.