SkillGym 把人类技能转成可验证训练环境，让 35B 模型在 SkillsBench 上以 51.47% 超过 Claude Sonnet 4.6 等报告分数
SkillGym 提出一个把人类编写的 agent 技能转化为可执行、可验证训练环境的框架，通过技能到任务流水线生成具体任务、用代码检查器验证结果并以对比执行衡量技能依赖，构建并发布 12 个类别共 2756 个环境和 8364 条成功轨迹（平均 49 次工具调用、超过 60k 文本 token），支持在已验证工作流上做监督微调与基于结果奖励的强化学习；在 Claude Code 下，监督微调使 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、在 SkillsBench v1.1 上带技能与不带技能分别提升 28.13 和 12.38 个百分点，其 35B 的