SkillGym 把 2,756 份 Agent Skill 变成训练场：35B 模型终 Bench 2.1 涨 19.1 个百分点
9 月 23 日，华东师大、上海人工智能实验室等团队发布 SkillGym：把 2,756 份人类编写的 Agent Skill 转成可执行、可验证的训练环境，覆盖 12 个大类、63 个子类，并用代码检查器判定任务是否真正完成。团队还从多个模型与智能体框架采集 8,364 条成功轨迹，平均每条调用 49 次工具、记录超过 6 万文本 token。
团队以 Qwen3.5-35B-A3B 为底座做监督微调，得到 35B 的 SkillGym-Agent。在 Claude Code 环境中，GDPval-AA v2 提升 199 Elo，Terminal-Bench 2.1 提升 19.10 个百分点，SkillsBench v1.1 在带 Skill 与不带 Skill 时分别提升 28.13 和 12.38 个百分点；带 Skill 的 SkillsBench 成绩为 51.47%。
它改变了什么：Agent Skill 不必永远停留在推理时提示词，真实工作流可以被转成环境、验证器和训练轨迹，让模型把外部说明学成可复用的程序性能力。边界也很清楚：全部数字来自论文团队评测，基座是 35B-A3B 混合专家模型，不能据此断言同规模稠密模型也会获得同等收益；论文尚未经同行评审。
原文链接：论文 / ECNU-ICALK
核验记录
arXiv 官方页 abs/2609.27717 直读，页内明确 Submitted on 23 Sep 2026，摘要与 2,756/8,364/19.10/51.47 等数字逐项核对；官方 GitHub ECNU-ICALK/SkillGym README 直读，任务数、轨迹数与主结果表互证；论文未经同行评审，性能数字为团队自报，未做第三方复现
← 上一篇LemonSlice 发布 CWM-1：把角色、动作与情绪放进可实时生成的世界模型下一篇 →Fireworks 发 Ember-1：把 Kimi K3 的推理砍掉 35–50%，同质量下 token 省一半