Des chercheurs de Microsoft, de l'Université Jiao Tong de Shanghai, de l'Université Tongji et de l'Université Fudan ont développé SkillOpt, un optimiseur dans l'espace textuel qui entraîne des documents de compétences en langage naturel tout en maintenant le modèle cible figé. Le système utilise un modèle d'optimisation pour proposer des modifications bornées basées sur des rollouts notés, exportant le résultat sous forme d'un seul fichier `best_skill.md`.
- Les compétences entraînées sur GPT-5.4 sont transférables vers des variantes plus petites avec des taux de rétention allant de 16 % à 82 % des gains dans le domaine.
- Une compétence optimisée dans Codex a fait passer le score SpreadsheetBench de Claude Code de 22,1 à 81,8, dépassant légèrement les 80,4 obtenus en entraînant directement sur Claude Code.
- Le transfert inter-harnais pour LiveMath était asymétrique, avec seulement 10 % de rétention lors du passage de Codex à Claude Code.
- La taille de l'artefact varie de 379 à 1 995 tokens, construite à partir d'une à quatre modifications acceptées, et ajoute zéro appel au moment de l'inférence lors du déploiement.
Le format partagé `best_skill.md` permet aux compétences procédurales de se déplacer entre différentes API d'outils, permettant une optimisation dans l'environnement le moins cher pour un déploiement dans un autre.