2026年8月5日 · Skill^2-Bench
Toward Skill-Native LLMs: Skill Entropy for Benchmarking and Training Long-Horizon Reasoning
arXiv 论文 2608.05139v1 提出 Skill Entropy 度量技能切换难度，并构建 Skill^2-Bench 基准，覆盖 558 个技能、9 个可验证和开放领域。评估 8 个前沿和 4 个开源模型发现技能切换差距：高熵任务准确率下降。论文提出 Skill-Entropy RL 训练框架。
EVENT STORY
发展脉络
- 首次出现Toward Skill-Native LLMs: Skill Entropy for Benchmarking and Training Long-Horizon ReasoningarXiv cs.CL
- 当前判断该研究揭示了当前模型在跨技能长程推理上的局限，可能推动评测基准从单技能向多技能切换演进。Skill-Entropy RL 若有效，可能成为提升模型复杂任务能力的新训练范式，影响未来模型开发方向。Agent Pulse · 分析
arXiv 论文 2608.05139v1 提出 Skill Entropy 度量技能切换难度，并构建 Skill^2-Bench 基准，覆盖 558 个技能、9 个可验证和开放领域。评估 8 个前沿和 4 个开源模型发现技能切换差距：高熵任务准确率下降。论文提出 Skill-Entropy RL 训练框架。
Skill Entropy 量化了长程推理中技能切换的难度，Skill^2-Bench 通过任务级熵分数和三个难度级别提供细粒度评测。评估显示高熵任务准确率下降，表明现有模型在技能切换上存在系统性短板。Skill-Entropy RL 将熵作为训练信号，可能提升模型在跨技能长程任务上的表现。
该研究揭示了当前模型在跨技能长程推理上的局限，可能推动评测基准从单技能向多技能切换演进。Skill-Entropy RL 若有效，可能成为提升模型复杂任务能力的新训练范式，影响未来模型开发方向。
对模型提供商，该基准和训练方法可能成为差异化能力；对下游应用，跨技能推理能力提升可增强复杂任务自动化，降低人工干预成本。
后续可验证信号包括：Skill^2-Bench 是否被社区采用，Skill-Entropy RL 是否在更大模型上复现，以及是否出现基于熵的更多训练方法。