# NVIDIAのSkill2Env、公開Agent Skillsを7,971件のターミナルタスクにコンパイル

Codexのプランナーとクリエイターが各スキルを検証済みのターミナルワークフローに変え、そのスキル自身の品質基準から取ったルーブリックを使う。結果のみの強化学習でQwen3.8-27BはTerminal-Bench 2.1の成績を49.4%から54.1%に上げた。ルーブリックを加えると50.1%にとどまったが、軌跡の比較ではより多く選ばれた。

Language: ja
Time zone: Asia/Tokyo
Current time (UTC, cached as of): 2026-11-10T07:01:00.000Z
Query date (Asia/Tokyo): 2026-11-10

HTML: https://didcodexreset.com/ja/news/ad2ab417d6a84d5bad5e4ed6.html

Content language: ja
Localization state: translated

出典：DAIR.AI · 2026/9/24 05:44:25 公開

NVIDIAのSkill2Envは、公開された各Agent Skillを強化学習向けの実行可能なターミナルタスクにコンパイルする。CodexのプランナーがSKILL.mdのバンドルを読み、関連する公開資産を調べ、スキルをワークフローに分ける。続いてCodexのクリエイターが、プログラムによるテストと、そのスキル自身の品質基準から取った行動ルーブリックを付けて各タスクを作る。

クロールした約3,400件のスキルから、パイプラインは13分野にわたる7,971件のタスクを生成し、ソフトウェアエンジニアリングはコーパスの4分の1未満だった。GPT-5.6 Solによる生成のAPI利用料は9万ドルを超えた。解説は[Skill2Envの論文](https://github.com/NVlabs/Skill2Env/blob/main/paper/Skill2Env_arXiv.pdf)にある。

結果のみの強化学習を300ステップ行った後、Qwen3.8-27BはTerminal-Bench 2.1で49.4%から54.1%に、人手で検証したホールドアウトベンチマークS2EBenchのpass@1で33.4%から37.7%に向上した。報酬にルーブリックを加えるとベンチマークの伸びは小さく、Terminal-Bench 2.1では50.1%だった。元のSKILL.mdを与えた場合、判定者はルーブリックで学習したモデルの軌跡をベースモデルより73.0%のタスクで選び、結果のみのモデルでは54.5%だった。

Tags: Skill2Env, NVIDIA, Agent Skills, 強化学習, Qwen

[元の投稿を見る](https://x.com/dair_ai/status/2102857541776707799)