Авторы представляют DisCo — исследовательского агента с навыками, предназначенного для устранения пробелов в операционных знаниях путём извлечения специфических для области знаний из внешних источников. Система преобразует широко используемые репозитории машинного обучения в переиспользуемые, проверенные навыки посредством двух взаимодополняющих форм: обобщённого дистиллирования для широкого применения и ориентированного на задачу дистиллирования для конкретных нужд.

  • DisCo генерирует библиотеку AREX-Skill Library, содержащую более 5000 проверенных навыков, полученных из 1000 репозиториев ML в 20 областях и 178 семействах возможностей.
  • В сочетании с базовой моделью GPT-5.5 и фиксированным бюджетом выполнения агент с навыками превосходит базовый вариант без навыков на 134,3% в MLE-bench, на 34,4% в PaperBench, на 9,2% в FrontierCS и на 14,0% в PassNet.

Эти результаты демонстрируют, что добавление дистиллированного операционного контекста позволяет автономным агентам переиспользовать знания между задачами, а не открывать их заново при каждом запуске.