مقاله‌ای تازه در arXiv، روشی به نام SkillNEO معرفی می‌کند که برای بهبود دستورالعمل‌های قابل‌استفادهٔ مجدد ــ موسوم به مهارت ــ طراحی شده است؛ دستورالعمل‌هایی که عامل‌های هوش مصنوعی برای انجام وظایف دنبال می‌کنند. نویسندگان می‌گویند این روش میانگین پاداش GPT-5.4 Mini را در ۸۶ وظیفهٔ SkillsBench از هشت حوزه، از جمله مهندسی نرم‌افزار و کارهای اداری، از 49.1% به 66.4% رسانده است.
این روش به مشکلی می‌پردازد که از نگه‌داشتن صرفِ نسخه‌ای از مهارت با بالاترین امتیاز ناشی می‌شود: نسخه‌ای با امتیاز پایین‌تر هم ممکن است اصلاحی مفید داشته باشد که برای نتیجه‌دادن به ویرایش‌های بیشتری نیاز دارد. SkillNEO جداگانه انتخاب می‌کند از کدام نسخه استفاده شود و کدام نسخه‌ها به توسعه ادامه دهند. این روش با مقایسهٔ نسخه‌های مرتبط در یک وظیفهٔ یکسان، گام‌های موفق و اشکال‌هایی را پیدا می‌کند که هنوز باید برطرف شوند. همچنین می‌تواند به نسخه‌ای قدیمی‌تر برگردد و با استفاده از شواهدی که بعدتر به دست آمده، آن را بازبینی کند.
چرا باید نسخهٔ ضعیف‌تر را نگه داشت؟
در این پژوهش، GPT-5.4 Mini وظایف را انجام داد، اصلاح‌هایی پیشنهاد کرد و مهارت‌ها را ویرایش کرد. نویسندگان نتایج نهایی را روی همان نمونه‌های وظایفی ارزیابی کردند که در جریان تکامل مهارت‌ها استفاده شده بود؛ بنابراین، از آزمونی جداگانه روی وظایف جدید گزارشی ندادند. به گفتهٔ آن‌ها، نتایج در هر هشت حوزه بهتر شد. امتیاز به‌دست‌آمده در محدودهٔ نتایجی بود که برای مهارت‌های اولیهٔ GPT-5.5 و GPT-5.6 Luna گزارش شده است.
نویسندگان مهارت‌های تغییریافته را با مدل‌های قوی‌تر هم، بدون ویرایش بیشتر آن مهارت‌ها، آزمودند. استفادهٔ دوباره از مهارت‌های تغییریافته در 41 وظیفه، امتیاز Luna را 10.5 واحد درصد بالا برد. امتیاز GPT-5.5 نیز با استفاده از مهارت‌های اولیه، 10.6 واحد درصد بیشتر از مرجع منتشرشدهٔ آن بود. مقاله می‌گوید برخی نسخه‌هایی که در مرحلهٔ توسعه امتیاز پایین‌تری داشتند، در نهایت برای استفاده انتخاب شدند.
نتایج چه چیزی را نشان می‌دهند و چه چیزی را نه
یافته‌ها نشان می‌دهند تلاش‌های یک مدل کم‌توان‌تر می‌تواند دستورالعمل‌های مفیدی برای عاملی قوی‌تر تولید کند، حتی اگر خود مدل کوچک‌تر هنوز برخی از الزامات وظیفه را برآورده نکند. بااین‌حال، ارزیابی به مجموعه‌ای مشخص از ۸۶ وظیفهٔ معیار محدود است و در ارزیابی نهایی، همان نمونه‌های وظایفِ استفاده‌شده در فرایند توسعهٔ مهارت‌ها دوباره به کار رفتند. بنابراین، مقاله مشخص نمی‌کند که این روش در وظایف ناآشنا چقدر خوب عمل می‌کند. خلاصهٔ ارائه‌شده از مقاله، اطلاعاتی دربارهٔ قیمت یا نحوهٔ دسترسی به مدل‌ها نمی‌دهد.
چرا مهم است
برای تیم‌هایی که عامل‌های هوش مصنوعیِ ویژهٔ انجام وظایف می‌سازند، این نتایج نشان می‌دهد مدلی ارزان‌تر یا ضعیف‌تر می‌تواند به اصلاح دستورالعمل‌های قابل‌استفادهٔ مجدد کمک کند؛ دستورالعمل‌هایی که بعداً مدل قوی‌تری از آن‌ها استفاده می‌کند. این پیشرفت‌ها فقط در وظایف معیارِ آزمایش‌شده گزارش شده‌اند و هنوز روشن نیست که در وظایف جدید هم تکرار شوند.
