Microsoft SkillOpt демонстрирует переносимость навыков ИИ между моделями

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.