# SkillNEO transforma avanços parciais de agentes de IA em habilidades melhores

> Um estudo aponta que permitir mais revisões em versões menos eficazes de habilidades melhorou os resultados em 86 tarefas de referência, com ganhos também observados em modelos mais avançados.

Oossa · 2026-10-16 · https://oossa.com/pt/skillneo-turns-ai-agents-partial-progress-into-better-skills

Data do evento: 2026-10-14

Um novo artigo publicado no arXiv apresenta o SkillNEO, um método para aprimorar instruções reutilizáveis — chamadas de habilidades — seguidas por agentes de IA para realizar tarefas. Os autores relatam que o método elevou a recompensa média do GPT-5.4 Mini de 49.1% para 66.4% em 86 tarefas do SkillsBench, distribuídas por oito áreas, entre elas engenharia de software e trabalho de escritório.

O método busca resolver um problema de manter apenas a versão de uma habilidade com a maior pontuação: uma versão com resultado pior ainda pode conter um ajuste útil, que precisa de mais revisões para surtir efeito. O SkillNEO escolhe separadamente qual versão usar e quais continuar desenvolvendo. Ao comparar versões relacionadas na mesma tarefa, procura identificar as etapas que funcionaram e as falhas que ainda precisam ser corrigidas. Também pode retomar uma versão anterior e revisá-la com base em evidências obtidas depois.

## Por que manter uma versão pior?

No estudo, o GPT-5.4 Mini executou tarefas, sugeriu revisões e editou as habilidades. Os autores avaliaram os resultados finais nas mesmas instâncias de tarefas usadas durante a evolução das habilidades, em vez de apresentar um teste separado com novas tarefas. Eles relatam ganhos nos oito domínios. A pontuação obtida ficou dentro do intervalo dos resultados com as habilidades originais reportados para o GPT-5.5 e o GPT-5.6 Luna.

Os autores também testaram as habilidades modificadas em modelos mais avançados, sem editá-las novamente. Em 41 tarefas com habilidades modificadas, a reutilização elevou a pontuação do Luna em 10.5 pontos percentuais. O GPT-5.5 ficou 10.6 pontos acima de sua referência publicada com as habilidades originais. Segundo o artigo, algumas versões com pontuação menor durante o desenvolvimento acabaram sendo escolhidas para uso.

## O que os resultados mostram — e o que não mostram

Os resultados sugerem que as tentativas de um modelo menos capaz podem gerar instruções úteis para um agente mais avançado, mesmo que o modelo menor ainda deixe de atender a alguns requisitos da tarefa. Mas a avaliação abrange um conjunto específico de 86 tarefas de referência, e o teste final reutilizou as mesmas instâncias envolvidas no desenvolvimento das habilidades. Portanto, o artigo não demonstra o desempenho do método em tarefas desconhecidas. O resumo fornecido do artigo não informa preços nem detalhes de acesso aos modelos.

## Os fatos

- O SkillNEO foi testado em 86 tarefas do SkillsBench, abrangendo oito domínios.
- Os autores relatam que a recompensa média do GPT-5.4 Mini subiu de 49.1% para 66.4%.
- Em 41 tarefas com habilidades modificadas, a reutilização elevou a pontuação do Luna em 10.5 pontos percentuais.
- O GPT-5.5 ficou 10.6 pontos percentuais acima de sua referência publicada com as habilidades originais.

## Por que importa

Para equipes que desenvolvem agentes de IA especializados em tarefas, os resultados indicam que um modelo mais barato ou menos avançado pode ajudar a aprimorar instruções reutilizáveis que, depois, serão usadas por um modelo mais avançado. Os ganhos relatados se limitam às tarefas de referência testadas; não se sabe se também se aplicam a novas tarefas.

## Fontes e referências

1. [SkillNEO: Non-Elitist Evolutionary Optimization of Agent Skills](https://arxiv.org/abs/2610.20926) – arXiv, 2026-10-16

Última atualização: 2026-10-16