SkillGym：将人类技能内化为 LLM 可复用能力的训练框架

SkillGym 框架把人类编写的智能体技能转化为可执行、可验证的训练环境，用代码检查器验证结果，并通过对比执行评估技能依赖度。团队构建并发布了 2,756 个覆盖 12 个类别的环境，收集了 8,364 条成功轨迹，平均每条包含 49 次工具调用和超过 6 万 token 的日志。在 Claude Code 下，监督微调让 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。其 35B 的 SkillGym-Agent 在带技能的 SkillsBench 上达到 51.47%，超过已报告的 Claude Sonnet 4.6、GPT-5.4 Mini 和 DeepSeek V4 Pro 的成绩。