AREX Feed Article
BAAI 发布 DisCo 论文：蒸馏 1,000 个仓库为 5,000+ 技能，称 MLE-bench 提升 134.3%
9 月 2 日深夜（北京时间），一篇题为《Repo-To-Skill: Distilling GitHub Repositories Into AI4AI Skills》的论文提交到 arXiv，编号 2609.02749（）。论文介绍名叫 DisCo 的研究 agent：它把仓库里「怎么把方法跑通」的知识蒸馏成可执行技能，再带着技能去做机器学习研究；署名单位包括北京智源人工智能研究院（BAAI）、中国科学技术大学、中国人民大学等（）。Hugging Face 论文页面在标题下标出同一机构，9 月 3 日把论文列为当日第一（#1 Paper of the day），显示 117 次点赞（）。
论文报告的核心数字：在 GPT-5.5 骨干、harness（执行框架）与下游执行预算都不变的条件下，给 agent 加装蒸馏技能后，MLE-bench 成绩比不带技能的同一 agent 高 134.3%，PaperBench 高 34.4%，FrontierCS 高 9.2%，PassNet 高 14.0%。技能来自论文介绍的 AREX-Skill 库：1,000 个常用机器学习（ML）仓库蒸馏出的 5,000+ 条经验证技能，归入 20 个领域、178 个能力族。这组数字全部出自论文作者自己的对照实验，属自报口径。
操作知识：agent 与仓库之间缺失的一层
论文的起点是一个判断：要端到端跑 ML 研究，agent 现在只带两样东西——模型骨干（backbone）和 harness（执行框架，负责编排、记忆、验证与迭代修正）。但真正做研究需要的实操经验，比如该选哪个方法、由哪个库实现、参数怎么配、实验挂了怎么救，这两层都不提供。
论文把这层缺失叫作操作知识（operational knowledge），定义是「知道一个方法和把它跑通之间的距离」。这类知识并不稀缺，仓库与论文里到处都是，只是写给人读，体量又大到无法在任务中途加载。DisCo 的答案是预先把它蒸馏成技能（skill），让知识在任务开始前就以 agent 能调用的形式就位。
一条技能分三层：SKILL.md 说明技能何时适用、按什么流程执行、如何验证；references/ 存放按需加载的深层文档；scripts/ 放可直接执行的脚本。同一仓库蒸馏出的多条技能组成技能图，由路由（router）先按「领域→能力族→仓库」收窄，agent 只加载当前任务需要的那条分支，不必把整库读进上下文。
蒸馏分两种。任务无关蒸馏以仓库、论文为源头，提前产出可长期复用的技能；面向任务的蒸馏以具体问题为源头，现场分解任务、找能力缺口、再搜索材料补齐。
两条路径走同一套四步流程：界定能力（scope）、取证（ground）、构造技能图（construct）、验证（verify）。验证被论文称为「蒸馏区别于摘要」的闸门：候选技能要跑断言式检查或仓库自带的安全示例，失败先修，修不掉的缺口如实记入构造记录，没有技能能仅凭来源就入库。
整套蒸馏跑在 DisCo 的 Creator（创建者）模式里，产出写入技能库；做研究时由 Researcher（研究者）模式按需取用。两种模式在成本上刻意不对称：Creator 对每个源头只付一次构造代价，摊到之后所有用到它的任务上；Researcher 只读任务真正打开的那几条技能。
一个月，技能库从 170 个仓库长到 1,000 个
AREX-Skill 比论文早一个月出现在 GitHub 上（）。仓库自己的发布记录写着两条：8 月 3 日首发，带 Creator 与 Researcher 两套流程，覆盖 170 多个常用仓库；8 月 27 日，库扩展到 1,000 个仓库、5,000+ 条技能，路由层随之重建。
论文给出更精确的快照：5,353 条技能构成 1,000 个仓库技能图，归入 20 个领域、178 个能力族；仓库到「领域-能力族」路径共有 2,209 次精确指派，其中 700 个仓库出现在不止一个能力族。
1,000 个仓库按开源可见度与实际使用挑选，GitHub stars 是筛选信号之一。技能由 GPT-5.5 与 GPT-5.6-sol（高推理强度）蒸馏，平均每个仓库的构造成本约 40 美元。
材料整体已经公开：arXiv 全文 48 页、3 张图；GitHub 仓库的仓库级代码为 Apache-2.0 许可，每条技能另带自己的许可证；命令行工具（CLI）以 npm 包 @arex-skill/disco 发布，当前版本 0.2.1（）。
CLI 与论文里是同一套 DisCo：Creator 角色负责建技能、导技能、验技能，Researcher 角色带技能做研究，要求 Node.js 22.19 以上与至少一家模型服务商的凭据。按 README 的示例，还能把选定的技能导出给其他编码 agent，比如写入 Codex 的 ~/.agents 或 Claude Code 的 ~/.claude 目录。
同一模型、同一 harness，技能是唯一变量
评测想隔离的只有技能本身。论文固定使用 GPT-5.5 骨干（xhigh reasoning）与 OpenAI Codex 作为 harness，带不带 DisCo 技能是唯一变量；技能全部在基准运行前建好，构造预算单独计算，不计入任何一组的运行预算。
变化最大的一组在 MLE-bench，一个基于 75 个 Kaggle 竞赛的机器学习工程基准：任何奖牌率（Any Medal）从 31.11% 升到 72.89%，高 41.78 个百分点，相对提升 134.3%。低、中、高三个难度档全线上涨，最难的一档从 13.33% 涨到 62.22%，相对提升 366.8%。
对照不止于有技能与没技能。同一张表里，Codex + AREX-Skill 的 72.89% 比公开排行榜的最强基线 Famou-Agent 2.0（64.44%，Gemini-3-Pro-Preview）高 8.45 个百分点。论文注明：公共基线取自 MLE-bench 官方排行榜，AREX-Skill 一侧的数字是三次重复运行的平均值。
其余三个基准的协议各不相同，GitHub 对照表与论文图 1 给出同样的三组数字：PaperBench 上复现 20 篇论文，复现分从 29.45 升到 39.59（+34.4%）；FrontierCS 的 188 个算法优化任务共用一张技能图，分数从 70.63 升到 77.14（+9.2%）；PassNet（编译器 pass 优化）的 AS Score 从 1.343 升到 1.531（+14.0%）。
其中 PaperBench 的技能只从目标论文相关工作圈出的 153 篇源论文蒸馏，共 636 条，目标论文自身与随附代码被排除在技能来源之外，防止技能从目标论文里直接拿到答案。
作者在 README 里对规律的总结是：越难的任务，技能的增益越明显；技能帮 agent 躲开昂贵的无方向试错，把预算花到实验和验证上。
榜单之外，尚无独立复现结果
论文上线至今不到一天，公开渠道还没有独立复现这篇论文的结果；四个基准上带技能与不带技能的数字，全部出自作者自己的对照实验。
上手路径是现成的。按 README 的说明，装好 Node.js 22.19 并配好模型服务商凭据后，npm install -g --ignore-scripts @arex-skill/disco 装上 CLI，disco repo-skills install 拉下技能库，就能在本地带着技能库跑研究任务。arXiv 全文、GitHub 技能库与 npm CLI 三个入口，提交者已在 HF 讨论区一并贴出。
论文的主张不止一组数字：技能被设计成独立于模型与 harness 的一层，可以跨 agent 迁移、随任务积累、随上游仓库刷新。134.3% 站不站得住、这一层能否被外部复现，是论文留下的问题；答案要等第一个独立复现者跑出来。