NVIDIA 一项新研究测出一组挺刺眼的数字：技能结构扫描分数跟 LLM 当评委的质量分，Spearman 相关系数只有 0.14。一个技能能不能过 scanner 上架，跟装上以后 agent 到底有没有变强，关系几乎可以忽略。

研究拿了 58 个生产技能、947 组配对案例，在 4 种 harness 下跑同一任务，分别加载和不加载技能做对照。安全 baseline 已经 97 分，加技能只涨到 98；但同一组任务，正确性从 46 拉到 87，有效性从 39 拉到 78。扫描看起来已封顶的位置，跑起来缺口才暴露，缺口的形状扫描也看不到。

代价很具体：团队以为过 scanner 就等于技能可用，发布后才发现 production 任务里执行不对、行为不对、效率不对。研究里提升最明显的几项过程指标——skill execution、behavior check、skill efficiency——全是跑起来才被照出来的。

方向上，ACES 的核心是以任务级因果对比取代一次性打分：固定任务，看有技能和没技能两条轨迹的差，再拆差落在哪个过程指标上。好处是不绑某一家模型或某一套 harness，可以横比不同版本的技能，也能做上线前回归；短板是成本，947 组配对跑下来算力不便宜，没现成参考集时还得自搭对照任务。

上线后还在救火、复盘老出现“技能装了但没用上”，扫描那道关其实没拦住什么，这时切 ACES 才划算；如果瓶颈是安全合规本身，扫描还值得先留着。

你们团队的技能库现在最后一道卡的是结构分数，还是跑过任务的 Skill Lift？