Para peneliti mempresentasikan DisCo, agen otonom berbasis keterampilan yang dirancang untuk menjembatani kesenjangan dalam pengetahuan operasional untuk riset machine learning dengan mendistilasi keahlian dari repositori kode. Sistem ini memadatkan proyek sumber terbuka yang banyak digunakan menjadi keterampilan yang dapat digunakan kembali dan terverifikasi melalui dua bentuk pelengkap: distilasi agnostik-tugas dari ekosistem umum dan generasi berorientasi-tugas untuk kebutuhan spesifik.
- DisCo membuat AREX-Skill Library, yang berisi lebih dari 5.000 keterampilan terverifikasi yang didistilasi dari 1.000 repositori ML yang dikelompokkan ke dalam 20 area dan 178 keluarga kemampuan.
- Saat dilengkapi dengan keterampilan ini dan menggunakan backbone GPT-5.5, agen mencapai peningkatan skor sebesar 134,3% pada MLE-bench dibandingkan dengan agen yang sama tanpa keterampilan.
- Agen yang dilengkapi keterampilan juga meningkatkan kinerja sebesar 34,4% pada PaperBench, 9,2% pada FrontierCS, dan 14,0% pada PassNet di bawah kondisi harness riset yang tetap.
Hasil-hasil ini menunjukkan bahwa menambahkan konteks operasional yang didistilasi memungkinkan agen otonom untuk menggunakan kembali pengetahuan spesifik domain alih-alih menemukannya kembali selama setiap pelaksanaan.