迈向技能原生 LLM：用技能熵评测与训练长程推理

论文提出“技能熵”指标，用于衡量长程推理中不同技能之间切换的难度，并构建包含558项技能、覆盖9个可验证与开放领域的 Skill²-Bench。对8个前沿模型和4个开源模型的评测显示，技能熵越高，准确率越低。作者进一步提出 Skill-Entropy RL，在 Qwen3-4B-Instruct 和 Qwen3-1.7B 上将基准得分分别从34.4%提升至68.4%、从14.6%提升至40.1%。