연구자들은 머신러닝 연구의 운영 지식 격차를 해소하기 위해 코드 저장소에서 전문성을 추출하는 스킬 기반 자율 에이전트인 DisCo를 제시합니다. 이 시스템은 일반 생태계에 대한 작업 비구현(distillation)과 특정 요구사항을 위한 작업 지향적 생성이라는 두 가지 보완적인 형태를 통해 널리 사용되는 오픈소스 프로젝트를 재사용 가능하고 검증된 스킬로 압축합니다.

  • DisCo는 20개 영역과 178개 기능 패밀리로 구성된 1,000개의 ML 저장소에서 추출된 5,000개 이상의 검증된 스킬을 포함하는 AREX-Skill Library를 생성합니다.
  • 이러한 스킬을 갖추고 GPT-5.5 백본을 사용할 때, 에이전트는 스킬이 없는 동일한 에이전트 대비 MLE-bench에서 134.3%의 점수 향상을 달성합니다.
  • 스킬이 장착된 에이전트는 고정된 연구 하네스 조건 하에서 PaperBench에서 34.4%, FrontierCS에서 9.2%, PassNet에서 14.0% 성능을 개선합니다.

이 결과는 추출된 운영 컨텍스트를 추가함으로써 자율 에이전트가 매 실행마다 재발견하는 대신 도메인별 노하우를 재사용할 수 있음을 보여줍니다.