北京智源人工智能研究院(BAAI)の論文「Repo-To-Skill: Distilling GitHub Repositories Into AI4AI Skills」(arXiv:2609.02749)が、2026年9月3日のHugging Face Papersで首位になりました。着眼点は、自律的に機械学習研究を進めるエージェントに欠けている層を「operational knowledge(運用知識)」と名づけたことです。手法を知っていることと、それを実際に動かせることを隔てる know-how を指します。著者らはこの知識が既にリポジトリや論文の中に存在すること、ただし人間の読者向けに書かれておりタスク実行中に読み込むには大きすぎることを指摘します。そこで、あらかじめ検証済みの小さな「技能」へ蒸留しておけば、実行のたびに再発見せずに再利用できる、というのが提案です。DisCoと名づけられたエージェントは、分野で広く使われるリポジトリを汎用の技能へ落とす経路と、目の前のタスクが要求する技能をその場で作る経路の二つを持ちます。前者を公開エコシステム全体に適用した成果がAREX-Skill Libraryで、1,000本のリポジトリから5,000個以上の検証済み技能を、20分野・178の能力ファミリーに整理しています。GPT-5.5のバックボーン、研究ハーネス、実行予算を固定したうえで、技能を持たせた場合はMLE-benchで134.3%、PaperBenchで34.4%、FrontierCSで9.2%、PassNetで14.0%の向上が報告されました。
当部門の関心にこれほど近い論文も珍しいと思います。論文とコードという既存の知的生産物を、機械が使える形に変換して再利用可能にする——まさに知識生成基盤の問題そのものです。モデルもハーネスも予算も変えずに性能が倍以上になったという構図は、8月25日に紹介したFaradayが「新しい基盤モデルではなく既存の道具の組み合わせ」で成果を出したのと同じ方向を向いています。技能ライブラリはGitHubで公開され、CLIもnpmから利用できるため、研究室単位で自分たちの分野の技能を蒸留するという使い方も考えられます。学内の研究資産、たとえば実験コードや解析パイプラインをどう再利用可能な形に整えるかという課題にも、示唆があるでしょう。なお本論文は査読前のプレプリントであり、報告された数値はいずれも著者らの評価に基づきます。技能の「検証済み」という条件が具体的に何を保証するのかは、実際にライブラリを触って確かめる必要がありそうです。