Microsoft SkillOpt实现跨模型跨工具技能迁移，Codex表格技能在Claude Code上得分81.8

背景与方法

SkillOpt 是由 Microsoft、上海交通大学、同济大学、复旦大学合作研发的文本空间优化器。它在目标模型保持冻结的情况下，通过一个优化模型读取带分数的 rollout 并提出 增删改 编辑，仅在分数严格提升时接受。最终导出的唯一文件 best_skill.md 即为可迁移的技能文档。

关键实验结果

• 跨模型保留：在同一家族的 GPT‑5.4 系列中，SpreadsheetBench 在 mini 规模上保留 82% 的域内增益；LiveMath 在 nano 规模上出现负增益，仅保留 10%。
• 跨工具迁移：Codex‑训练的 SpreadsheetBench 技能在 Claude Code 环境中得分从 22.1 提升至 81.8，略超 Claude Code 自训练的 80.4 上限。
• 跨基准迁移：在 OlympiadBench → Omni‑MATH 上，各规模模型均实现正向增益，虽幅度不大，但均高于无技能基线。

可迁移性的根源

论文指出，表格类任务的可迁移性来源于 工作簿层级的过程化规则：结构检查 → 公式验证 → 静态值写回。此类规则与具体 CLI、文件 API 解耦，因而在不同 harness（Codex 与 Claude Code）之间保持效力。相对地，数学推理任务高度依赖模型内部的推理路径，跨工具保留率仅约 10%。

部署意义

1. 一次训练，多处部署：训练成本一次性付出（0.6M‑46.4M token），在不同产品或平台复用时无需额外微调。
2. 可审计的技能文档：best_skill.md 为纯文本，可在数分钟内由领域专家审阅，所有编辑都有 edit_apply_report.json 记录，透明度远高于黑箱权重。
3. 零推理时开销：优化模型仅在离线训练阶段使用，部署阶段仅执行文本指令，无额外推理成本。

展望

当前实验局限于同一家族的 GPT 系列，未验证跨家族（如 GPT → Qwen）或更复杂的多模态任务。若后续研究能在更广阔的模型与工具生态中复现类似保留率，SkillOpt 有望成为 可插拔的技能层，为企业级 AI 助手降低维护成本、提升可靠性。