Microsoft SkillOpt permet de transférer des compétences IA entre modèles et outils
Un simple fichier texte pourrait bientôt permettre aux agents IA de transporter des compétences acquises entre différents modèles et outils sans recyclage. SkillOpt, développé par Microsoft en partenariat avec l’Université Jiao Tong de Shanghai, l’Université Tongji et l’Université Fudan, entraîne un document de compétences en langage naturel exportable sous best_skill.md. Ce document peut être réutilisé à différentes échelles de modèle, voire entre environnements de codage comme Codex et Claude Code.
Fonctionnement des compétences portables
SkillOpt gèle le modèle cible et utilise un optimiseur pour modifier un document de compétences via des opérations bornées d’ajout, de suppression et de remplacement. Chaque modification n’est acceptée que si elle améliore strictement un score de validation. Le résultat est un artefact compact, transférable et évaluable immédiatement. La recherche met en lumière deux dimensions clés de portabilité : intra-famille (même série de modèles) et inter-familles (modèles ou environnements différents).
Résultats variables selon les transferts inter-modèles
Au sein de la famille GPT, les taux de transfert varient fortement. Sur SpreadsheetBench, un modèle GPT-5.4-mini conserve 82 % des gains en domaine après avoir reçu une compétence entraînée sur GPT-5.4, tandis que sa variante nano ne conserve que 16 %. À l’inverse, LiveMath sur GPT-5.4-nano affiche un gain surprenant de 140 % par rapport à la référence en domaine, suggérant que certaines compétences procédurales sont indépendantes du modèle. L’évidence la plus marquante provient cependant des transferts inter-outils. Une compétence entraînée dans Codex et transférée à Claude Code améliore les performances de 22,1 à 81,8 sur SpreadsheetBench – dépassant légèrement les 80,4 obtenus avec un entraînement direct dans Claude Code. Pourtant, le même transfert ne conserve que 10 % des gains pour LiveMath, indiquant que les tâches nécessitant du raisonnement restent étroitement liées à leur environnement d’entraînement.
Enjeux et perspectives
Les affirmations de portabilité de SkillOpt sont inégales mais significatives : les compétences procédurales comme l’inspection de structure ou la vérification de formules se transfèrent plus fiablement que les tâches de raisonnement. Pour les équipes déployant des agents IA sur plusieurs modèles ou outils, cela pourrait réduire les cycles d’entraînement redondants et accélérer les déploiements. La recherche ne revendique pas une transférabilité universelle, mais la capacité à déplacer des compétences entre Codex et Claude Code – deux environnements de codage distincts – laisse entrevoir un avenir où les artefacts de compétences deviendraient des interfaces portables et standardisées pour les agents IA. Les taux de rétention inégaux rappellent aussi une évidence : toutes les compétences ne se valent pas, et les plus simples à transférer sont souvent les plus résistantes.
Source : MarkTechPost. Synthèse éditoriale assistée par IA — TechnoExpress.