DisCo 报告在其骨干模型固定不变的情况下于 MLE-bench 上取得 134.3% 的提升

一篇新的 arXiv 预印本中将要传播开来的数字是 134.3%。据论文作者称，一个名为 DisCo 的研究智能体在获得由蒸馏而来的“技能”库后，其在 MLE-bench 上的得分比同一智能体在没有这些技能时高出这么多。摘要的其余部分讲的是架构，而这些数字只有放在该架构中才有意义。

该主张成立的关键在于哪些变量没有改变

这篇题为 Repo-To-Skill: Distilling GitHub Repositories Into AI4AI Skills 的预印本报告称，DisCo 既能创建技能，也在研究过程中使用这些技能。它描述了两条蒸馏路径。任务无关蒸馏将广泛使用的仓库浓缩为可复用技能；任务导向蒸馏则生成特定任务所需的技能。在开放生态中运行第一条路径，得到的便是 AREX-Skill Library：从 1,000 个广泛使用的机器学习仓库中蒸馏出的 5,000 多项经过验证的技能，划分为 20 个领域和 178 个能力族。

该技能库只是这一主张的一半。所报告的提升是在 GPT-5.5 骨干模型、研究框架和下游执行预算全部保持不变的情况下取得的。这句话承载了论文的论点。如果除了注入的上下文之外没有任何其他变化，那么这一差值应归因于技能本身，而非更大的模型或更长的运行时间。作者直言不讳：提升来自在上述固定设置下加入蒸馏得到的操作上下文。

论文所称的缺失层：操作知识

论文的核心论点关乎智能体所不具备的东西。它并未声称拥有更好的规划器或更好的记忆模块。它主张，将“知道一种方法”与“让该方法奏效”区分开来的那部分诀窍，完全位于智能体之外，存在于作者称为操作知识的层中。按其描述，智能体架构将模型骨干与用于规划、执行、记忆和验证的框架结合在一起。操作知识正是该框架仍然缺失的东西。

按该预印本的说法，这类知识在该领域并不缺失。它出现在仓库和论文中，是为人类读者而写的，而且体量太大，无法在单个任务中全部载入。蒸馏就是解决方案：把它压缩成紧凑、经过验证的技能，使其跨任务复用，而不是在每次运行时被重新发现。

四项基准，没有共同基线

摘要报告了四项提升，幅度从大到小不等。

基准	报告的提升，有技能 vs. 无技能
MLE-bench	高出 134.3%
PaperBench	高出 34.4%
FrontierCS	高出 9.2%
PassNet	高出 14.0%

摘要没有描述每项基准衡量的是什么、基线得分是多少，也没有说明每个百分比是如何计算的，因此这四个数字无法相互对照阅读。一项测试上的大差值并不能套用到另一项测试的小差值上，而这里的差距可能反映的是任务本身、评分方式，或两者兼有。摘要也没有给出绝对分数，而正是这一细节才能说明 134.3% 的提升是否建立在薄弱的基线上。

一份预印本，而非已被复现的结果

这是一份单独的投稿，归类于计算机科学与人工智能，于 2026 年 9 月 2 日发布到 arXiv。现有材料不含同行评审记录，也没有任何独立团队复现这些数字。这些测量出自作者本人，是在他们自己的系统、自己的框架下取得的。这并不意味着它们是错的，只是说明它们是一个有待检验的主张，而非一个可供引用的结果。

当有人试图复现这项工作时，需要关注的细节不是那 134.3%，而是一个冻结的技能库能否迁移到不同的骨干模型上。这里报告的实验将骨干模型固定不变，这是隔离上下文效应的一种干净做法，但它本身无法证明该上下文可以迁移。

技能能否作为一个架构层站稳脚跟

该预印本将技能与骨干模型、框架并列，视为存放诀窍的第三个位置, , 一个目前的权重和脚手架都无法覆盖的位置。这一位置能否成立，是摘要留下的一个开放问题。它没有点名任何竞争系统，也没有说明其他研究自动化工作是在同一层上发力，还是把问题推回模型内部。

它提供的是一个可检验的形态。如果操作知识能够被蒸馏、验证和复用，那么研究智能体能够奏效的部分原因就是一个技能库问题，而不是训练问题。1,000 个仓库和 5,000 项技能，是这一想法的一个单一数据点，而发表它的人正是技能库的建造者。

134.3% 是宣传的招牌。而那些保持固定的变量，才是复现者真正能够核查的部分。