一个有趣的想法是持续在技能上训练专业化模型。

这篇论文探讨了这一思路。

他们提出了SkillGym框架，该框架将人类编写的技能转化为2,756个可通过代码检查器验证的训练环境，随后在8,364条成功轨迹上进行微调。

经过微调后，在Claude Code中运行的Qwen3.5-35B-A3B模型在Terminal-Bench 2.1上提升19.10分，在技能辅助的SkillsBench v1.1上提升28.13分，达到51.47%的准确率。

这一成绩超过了Claude Sonnet 4.6和GPT-5.4 Mini的公开分数。

即使不加载技能，经过训练的模型也能超越在上下文中包含技能的基础模型。

论文链接：https://academy.dair.ai/papers/skillgym-internalizing-human-skills-into-llms-for-real-world-problem-solving-2609.27717…

SkillGym：将人类技能内化至LLM以解决现实世界问题

来源：https://academy.dair.ai/papers/skillgym-internalizing-human-skills-into-llms-for-real-world-problem-solving-2609.27717 智能体 · 推理 与论文对话（https://academy.dair.ai/dashboard/paper-chat/skillgym-internalizing-human-skills-into-llms-for-real-world-problem-solving-2609.27717）

首页

SkillGym：将人类技能内化至LLM以解决现实世界问题

策划者观点

华东师范大学的葛志龙、陈钦等人提出了SkillGym，该框架将人类编写的智能体技能转化为可执行、可验证的训练环境，使这些流程最终融入模型权重。

本文要点

关于本文的提问 核心要点01

技能到任务流水线。每项技能被转化为具体任务，并配有基于代码的结果检查器，通过对比使用与不使用技能的运行情况，衡量任务对该技能的依赖程度。

02

发布资源。包含12个类别的2,756个环境，以及来自多个模型和框架的8,364条成功轨迹，平均每条轨迹包含49次工具调用和超过6万个记录词元。

03

Claude Code下的监督微调增益。Qwen3.5-35B-A3B在GDPval-AA v2上提升199 Elo，在Terminal-Bench 2.1上提升19.10分，在SkillsBench v1.1上分别提升28.13分（带技能）和12.38分（无技能）。

04

对比结果。35B的SkillGym-Agent在技能辅助的SkillsBench上达到51.47%，超越了Claude Sonnet 4.6、GPT-5.4 Mini和DeepSeek V4 Pro的公开分数。

05

内化流程。在不使用技能的情况下，它超越了在Codex和Claude Code中依赖技能的基础模型。

摘要人类编写的智能体技能编码了丰富的现实世界问题解决流程，但通常作为外部推理时指令使用，而非内化为可重用的模型能力。我们引入了\texttt{SkillGym}框架，将这些技能转化为大型语言模型智能体可执行、可验证的训练环境。其技能到任务流水线实例化具体任务，使用基于代码的检查器验证结果，并通过对比执行评估经验性的技能依赖关系。我们构建并发布了12个类别的2,756个环境，从多个模型和框架中收集了8,364条成功轨迹，平均包含49次工具调用和超过6万个记录文本词元。这些资源支持在验证流程上进行监督微调，以及基于结果奖励的强化学习。在Claude Code中，监督微调使Qwen3.5-35B-A3B在GDPval-AA v2上提升199 Elo，在Terminal-Bench 2.1上提升19.10个百分点，在SkillsBench v1.1上带技能提升28.13分、无技能提升12.38分。我们35B的\texttt{SkillGym-Agent}在技能辅助的SkillsBench上达到51.47%，超过了Claude Sonnet 4.6、GPT-5.4 Mini和DeepSeek V4 Pro的公开分数。即使不使用技能，它也超越了在Codex和Claude Code中依赖技能的基础模型，表明其具备可重用的程序性能力。