谷歌研究团队推出了 WikiSkill，这是一种让 AI 智能体能够从经验中学习，并在多次迭代中保留知识的框架。该方法解决了以往技能进化方法存在的问题：这些方法会在执行过程中生成有用见解，却在每个周期结束后将其丢弃，而不是将其延续下去。WikiSkill 使用持久化的维基式知识库来追踪技能改进，在五项基准测试中的结果表明，其性能实现了显著提升。
WikiSkill 基于三层架构运行
该框架由三层组成。原始层捕获不可变的执行轨迹，完整记录智能体执行的操作以及发生的情况。维基层将这些原始数据整合为累积知识。技能层承载智能体实际可以部署的可执行流程。
四个关键组件维持系统运行。推理智能体负责执行任务。维基维护器会随着新信息的到来更新知识库。技能提议器根据累积知识生成候选流程。验证门控机制充当质量控制，确保只有真正有用的技能才能入选。
Gemini-3.5-Flash 在五项基准测试中实现性能提升
WikiSkill 在五项旨在测试不同能力的基准测试中进行了验证：数学推理、网络搜索、电子表格管理、长上下文问答和具身交互。
Gemini-3.5-Flash 展现了突出成果。在 LiveMathematicianBench 上，性能从 33.0% 跃升至 72.6%。在 SpreadSheetBench 上，得分从 50.5% 攀升至 76.6%。在所有基准测试中，平均提升了 12.0 个百分点。
消融研究证实，持久化维基是推动性能提升的关键组件。移除该组件后，改进效果基本消失。
事实证明，一个模型学习的技能在应用于完全不同的另一个模型时，表现优于后者自行进化出的技能，其中也包括来自不同模型家族的模型。
谷歌研究团队发表 WikiSkill 研究
该研究由来自谷歌研究的 Liyan Tang、Cyrus Rashtchian、Chun-Sung Ferng、Andrew Tomkins、Da-Cheng Juan，以及来自谷歌研究和 Virginia Tech 的 Tu Vu 共同完成。
常见问题
什么是 WikiSkill？
WikiSkill 是谷歌研究团队推出的一种框架，通过持久化的维基式知识库，让 AI 智能体能够从经验中学习，并在多次迭代中保留这些知识。
使用 WikiSkill 后，Gemini-3.5-Flash 在 LiveMathematicianBench 上提升了多少？
使用 WikiSkill 后，Gemini-3.5-Flash 在 LiveMathematicianBench 上的性能从 33.0% 跃升至 72.6%。
WikiSkill 架构包含哪三层？
WikiSkill 的架构由原始层（捕获执行轨迹）、维基层（将数据整合为累积知识）和技能层（承载可执行流程）组成。
免责声明：以上内容(如有图片或视频亦包括在内)均为平台用户上传并发布，本平台仅提供信息存储服务，对本页面内容所引致的错误、不确或遗漏，概不负任何法律责任，相关信息仅供参考。
本站尊重他人的知识产权、名誉权等法律法规所规定的合法权益!如网页中刊载的文章或图片涉及侵权，请提供相关的权利证明和身份证明发送邮件到qklwk88@163.com，本站相关工作人员将会进行核查处理回复
