Un nuevo artículo de arXiv presenta SkillNEO, un método para mejorar las instrucciones reutilizables —llamadas habilidades— que siguen los agentes de IA para completar tareas. Según los autores, el método elevó la recompensa promedio de GPT-5.4 Mini del 49.1% al 66.4% en 86 tareas de SkillsBench de ocho ámbitos, entre ellos la ingeniería de software y el trabajo de oficina.
El método aborda un problema de conservar únicamente la versión de una habilidad con la puntuación más alta: una versión con una puntuación menor puede contener una corrección útil que necesite más modificaciones antes de dar resultado. SkillNEO decide por separado qué versión usar y cuáles seguir desarrollando. Al comparar versiones relacionadas en una misma tarea, busca pasos que funcionaron y fallos que aún hay que corregir. También puede volver a una versión anterior y revisarla a partir de la evidencia recopilada después.
¿Por qué conservar una versión menos eficaz?
En el estudio, GPT-5.4 Mini realizó tareas, propuso revisiones y modificó las habilidades. Los autores evaluaron los resultados finales con las mismas instancias de tareas utilizadas durante la evolución de las habilidades, en lugar de describir una prueba aparte con tareas nuevas. Informan de mejoras en los ocho ámbitos. La puntuación obtenida quedó dentro del rango de los resultados con las habilidades originales publicados para GPT-5.5 y GPT-5.6 Luna.
Los autores también probaron las habilidades modificadas con modelos más potentes, sin seguir editarlas. En 41 tareas con habilidades modificadas, reutilizarlas mejoró la puntuación de Luna en 10.5 puntos porcentuales. GPT-5.5 obtuvo 10.6 puntos más que la referencia publicada con las habilidades originales. El artículo señala que algunas versiones con puntuaciones más bajas durante el desarrollo terminaron siendo las elegidas para su uso.
Qué muestran —y qué no— los resultados
Los hallazgos sugieren que los intentos de un modelo menos capaz pueden producir instrucciones útiles para un agente más potente, aunque el modelo más pequeño todavía no cumpla algunos requisitos de la tarea. Sin embargo, la evaluación abarca un conjunto específico de 86 tareas de referencia, y la evaluación final reutilizó las mismas instancias que se habían empleado para desarrollar las habilidades. Por lo tanto, el artículo no demuestra qué tan bien funciona el método con tareas desconocidas. El resumen del artículo proporcionado no incluye información sobre precios ni acceso a los modelos.
Por qué importa
Para los equipos que crean agentes de IA especializados en tareas, los resultados aportan evidencia de que un modelo más barato o menos potente podría ayudar a perfeccionar instrucciones reutilizables que después use un modelo más potente. Las mejoras reportadas se limitan a las tareas de referencia evaluadas, así que se desconoce si también se trasladan a tareas nuevas.
