📍 Kan LLM:er upptäcka, abstrahera och återanvända högre verktygskompetens över olika uppgifter? Befintliga verktygsanvändningsbenchmarks testar lösningsuppgifter med fasta verktyg. Men verkliga arbetsflöden innehåller återkommande strukturer där effektiviteten kommer från återanvändbara verktygssammansättningar, inte isolerade samtal. Vi introducerar SkillCraft: 126 uppgifter över 6 domäner utformade för att testa om LLM-agenter kan förvärva kompositionsfärdigheter, inte bara kalla atomverktyg. Vi föreslår också Skill Mode, ett lättviktigt protokoll med fyra MCP-primitiva som låter agenter komponera, verifiera, cacha och återanvända verktygskedjor vid testtid. Våra viktigaste fynd från utvärderingen av 8 SOTA-modeller: ⚡Färdighetsläge gör det möjligt för agenter att själva upptäcka och återanvända färdigheter, vilket leder till högre framgång och effektivitet än agenter utan det. Vinsterna är större för starkare modeller. 🧠 Starkare modeller (t.ex. Claude) upptäcker mer generaliserbara färdigheter, vilka överförs mellan uppgifter och till och med mellan modeller. 🔍 Djupare komposition ≠ bättre — ytliga, vältestade färdigheter generaliserar bäst. 🔗 Papper: 💻 Kod: 🏠 Sida: (1/7)

Vill du få en LLM-agent att lyckas i en OOD-miljö? Vi tar oss an det svåraste fallet med SPA (Self-Play Agent). Inga extra data, verktyg eller starkare modeller. Rent självspel. Vi internaliserar först en världsmodell via Self-Play, sedan lär vi oss hur man vinner med RL. Som ett barn som leker med miljön för att helt enkelt lära sig om "vad händer om jag gör det här?" Nedan visar vi våra resultat om: Vad är det för fel på OOD-miljöer? Vilka är de viktigaste faktorerna som gör att självspel kan lyckas? (1/8)