Microsoft SkillOpt: เทคนิคถ่ายโอนทักษะข้ามโมเดล AI และสภาพแวดล้อม

ระบบ SkillOpt ทำงานโดยการฝึกเอกสารทักษะภาษาธรรมชาติเพียงชุดเดียว ขณะที่โมเดลเป้าหมายถูกตรึงเอาไว้โดยไม่มีการปรับแต่งน้ำหนักโมเดล โดยจะมีโมเดลตัวเพิ่มประสิทธิภาพคอยอ่านผลลัพธ์ที่ให้คะแนนแล้วเสนอการแก้ไขแบบจำกัด ทั้งการเพิ่ม ลบ หรือแทนที่ และจะยอมรับการแก้ไขก็ต่อเมื่อคะแนนดีขึ้นอย่างเห็นได้ชัดบนชุดข้อมูลสำรอง ผลลัพธ์ที่ได้จะถูกส่งออกเป็นไฟล์เดียวในชื่อ best_skill.md

ในการทดสอบการถ่ายโอนทักษะระหว่างโมเดลตระกูล GPT พบตัวเลขที่น่าสนใจ เช่น การทดสอบบน SpreadsheetBench เมื่อใช้กับรุ่น GPT-5.4-mini สามารถเก็บรักษาผลกำไรจากการฝึกในโดเมนเดิมไว้ได้ถึง 82% ส่วนกรณีของ LiveMath บนรุ่น GPT-5.4-nano ให้ผลลัพธ์ที่แปลกออกไปโดยทักษะที่ถ่ายoโอนทำคะแนนได้ 28.8 สูงกว่าผลลัพธ์ 27.2 จากการฝึกในโดเมนโดยตรง ซึ่งทีมวิจัยมองว่าเป็นหลักฐานว่ากระบวนการเรียนรู้บางอย่างมีความเป็นอิสระจากโมเดลเป้าหมาย

จุดเปลี่ยนสำคัญที่สุดสำหรับการใช้งานจริงคือการทดสอบข้ามเครื่องมือระหว่าง Codex และ Claude Code ซึ่งใช้ API และชุดคำสั่งที่แตกต่างกันอย่างสิ้นเชิง การทดสอบพบว่าทักษะที่ได้รับการปรับแต่งภายใน Codex สามารถยกระดับ Claude Code จากคะแนนพื้นฐานที่ 22.1 พุ่งขึ้นไปอยู่ที่ 81.8 ซึ่งตัวเลขนี้สูงกว่าการที่ Claude Code ฝึกฝนทักษะของตัวเองตั้งแต่ต้นซึ่งทำได้ 80.4 เสียอีก

ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง

ในด้านสถาปัตยกรรมและการจัดเก็บ ไฟล์ทักษะที่ได้มีความยาวสั้นมาก โดยมีความยาวระหว่าง 379 ถึง 1,995 โทเค็นจากทั้งหมด 6 เกณฑ์มาตรฐาน และมีค่ามิดเดียนอยู่ที่ประมาณ 920 โทเค็น ประกอบด้วยการแก้ไขที่ผ่านการยอมรับเพียง 1 ถึง 4 ครั้งเท่านั้น ตัวอย่างกฎที่ถูกเรียนรู้สำหรับ SpreadsheetBench คือการตรวจสอบโครงสร้างเวิร์กบุ๊กและสูตร จากนั้นจึงเขียนค่าคงที่ที่ประเมินแล้วลงในช่วงเป้าหมายทั้งหมด แทนที่จะพึ่งพาการคำนวณซ้ำของ Excel

ต้นทุนในการฝึกอบรมจะจ่ายเพียงครั้งเดียวแบบออฟไลน์ โดยมีอัตราตั้งแต่ 0.6 ล้าน ถึง 46.4 ล้านโทเค็นต่อจุดทดสอบ ขึ้นอยู่กับเกณฑ์มาตรฐานแต่ละประเภท เช่น SpreadsheetBench ใช้ไป 0.6 ล้านโทเค็นต่อจุด ขณะที่ DocVQA ใช้ไป 46.4 ล้านโทเค็น โมเดลเพิ่มประสิทธิภาพจะทำงานเฉพาะในช่วงฝึกฝนเท่านั้น และเพิ่มการเรียกใช้งานเป็นศูนย์ในช่วงการใช้งานจริง (Inference)

"A skill optimized inside Codex lifted Claude Code from 22.1 to 81.8. That slightly exceeds the 80.4 Claude Code reached by training its own skill from scratch."

MarkTechPost Research Report

นอกจากนี้ มุมมองด้านการตรวจสอบระบบ (Audit) ยังเป็นอีกจุดเด่นที่สำคัญ เนื่องจากไฟล์ผลลัพธ์เป็นเอกสารข้อความธรรมดาที่ผู้เชี่ยวชาญเฉพาะทางสามารถอ่านทำความเข้าใจได้ภายในไม่กี่นาที ทุกการเปลี่ยนแปลงจะถูกบันทึกร่องรอยไว้ในไฟล์ edit_apply_report.json ซึ่งให้ความโปร่งใสและรูปแบบการจัดการที่แตกต่างจากการขนส่งน้ำหนักโมเดลที่ปรับแต่งแล้วแบบเดิมอย่างสิ้นเชิง

ที่มา: MarkTechPost