Les chercheurs présentent DisCo, un agent autonome alimenté par des compétences conçu pour combler le manque de connaissances opérationnelles dans la recherche en apprentissage automatique en distillant l'expertise à partir de dépôts de code. Le système condense des projets open-source largement utilisés en compétences réutilisables et vérifiées grâce à deux formes complémentaires : une distillation agnostique aux tâches des écosystèmes généraux et une génération orientée vers les tâches pour des besoins spécifiques.

  • DisCo crée la bibliothèque AREX-Skill, contenant plus de 5 000 compétences vérifiées distillées à partir de 1 000 dépôts ML organisés en 20 domaines et 178 familles de capacités.
  • Lorsqu'il est équipé de ces compétences et utilise un noyau GPT-5.5, l'agent obtient une augmentation de score de 134,3 % sur MLE-bench par rapport au même agent sans compétences.
  • L'agent équipé de compétences améliore également ses performances de 34,4 % sur PaperBench, de 9,2 % sur FrontierCS et de 14,0 % sur PassNet dans des conditions de harnais de recherche fixes.

Ces résultats démontrent que l'ajout d'un contexte opérationnel distillé permet aux agents autonomes de réutiliser le savoir-faire spécifique au domaine plutôt que de le redécouvrir à chaque exécution.