北京
你花三個月調參、換架構、堆數據，模型性能紋絲不動。隔壁團隊往系統里塞了一份300行的Markdown操作手冊，同樣的模型直接漲了23個點。這不是段子，是微軟研究院聯合三所中國高校剛放出來的SkillOpt方法。
這套方案的核心邏輯簡單到離譜：把AI執行任務時需要參考的“技能說明書”當成可訓練參數來優化。以前這些說明書要么靠人手工寫，要么讓大模型一次性生成，最多再讓模型自己改改錯別字。沒人真把它當成一個需要正經優化的對象。SkillOpt打破了這種佛系做法，它用第二個獨立模型充當優化器，讀執行日志、找反復犯的錯、發現有效模式，然后對技能文檔做定向編輯——加一句、刪一段、替換一個操作步驟。
這種技能說明書其實在商業產品里已經很常見。Anthropic去年就給Claude加了模塊化技能系統，不同任務會自動加載對應的規則、腳本和參考資料。典型的一份技能文檔會打包操作流程、工具調用規則、輸出格式要求，還有翻車案例匯編。問題是之前沒人驗證過這些東西到底能不能被系統性優化，大家寫完就放那兒了。
SkillOpt把深度學習那套訓練思路平移到了文本層面。它設了一個類似“學習率”的機制，限制每輪最多能改文檔的多少處；配了個“調度器”，訓練到后期自動減小改動幅度；被拒絕的編輯提案不會直接扔掉，而是存進緩沖區當反面教材；每輪訓練結束后做一次慢更新，保留住那些穩定的編輯方向——相當于給文本優化上了個梯度平滑。
這套操作最討巧的地方在于訓練和部署完全拆開。優化器模型只在訓練階段跑，訓完就下線，吃資源的活兒全在后臺干完了。等到實際用的時候，目標模型只需要讀一份300到2000字的Markdown文件當上下文，零額外開銷。你拿到手的是一份文本，背后經歷過的迭代次數根本看不出來。
測試覆蓋了搜索、表格處理、文檔分析、數學推理和具身動作六個方向，目標模型既有GPT-5.5也有小體量的Qwen3.5-4B。對比對象從人工手寫到一次生成、再到Trace2Skill、TextGrad這類專門方法，SkillOpt在所有組合下要么領先要么持平。GPT-5.5在直接對話模式下的六項平均直接漲了約23個點。
增益最猛的區域是格式要求嚴格、涉及工具調用的任務，比如表格編輯。小模型同樣受益，文章里面提到的那部分數據還沒來得及展開講，但趨勢已經很明顯了。一份優化到位的操作手冊能讓小體量模型在特定任務上表現得像換了個更聰明的大腦。
說到底SkillOpt解決的其實是一個很樸素的痛點：你給AI寫的使用說明，它真的會認真看嗎？之前的答案是“大概看看吧”，現在變成了“看完還能幫你把說明書改得更好”。對天天跟提示詞斗智斗勇的開發者來說，這個消息比任何新模型發布都來得解渴。
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
