Poetiq 发布 Meta-System：不微调模型，GPT-5.5 编程刷出 93.9% SOTA

要想让大模型编程变强，行业里的惯常做法是拼命做后训练或者微调。但如果根本不碰模型权重，只在外面搭一套聪明的「调度外挂」，能把模型逼到多强的水平？

AI 初创团队 Poetiq 公布了其 Meta-System 的最新成绩单。在极难发生数据污染、题目全部来自高难度 C++ 竞赛的 LiveCodeBench Pro 基准测试中，他们给 GPT-5.5 套上这套系统后，直接跑出了 93.9% 的准确率，刷新了行业 SOTA。

更让人意外的是，这一成绩完全没有进行底层微调，甚至连模型的内部激活层都没碰，仅仅是通过普通的标准 API 调用实现的。

让 AI 自己给自己搭脚手架

Poetiq 的思路不是手写复杂的调用管线，而是把 AlphaGo 的自我博弈理念搬到了提示词工程和架构设计上。他们称之为「递归自我改进」。

简单来说，Meta-System 会根据题目需求、内存和运行时限制，从零开始自动生成并优化一套定制的测试框架与问答链。它学会了怎么一步步提问、怎么拆解逻辑，甚至怎么把生成出来的代码拼装起来。

整个框架最初只拿 Google 的 Gemini 3.1 Pro 做训练优化。结果令人吃惊：Gemini 3.1 Pro 的准确率直接从 78.6% 飙升 12.3 个百分点来到 90.9%，一举反超了 Google 自家未开放 API 的旗舰模型 Gemini 3 Deep Think 的 88.8%。

更具杀伤力的是这套框架的跨模型复用能力。Poetiq 把这套原本为 Gemini 打造的外挂原封不动搬给 GPT-5.5，后者的准确率直接从 89.6% 跃升至 93.9%。在最刁钻的 Hard 分类里，GPT-5.5 的解题率直接从 50.0% 拔高到了 75.0%。

同样的提升也出现在其他模型上。原本定位轻量的 Gemini 3 Flash，套上框架后准确率从 72.3% 涨到 82.3%，直接越级干掉了裸跑的 Anthropic Claude Opus 4.7（80.5%）和 GPT 5.2 High；国产模型 Kimi K2.6 则实现了 30% 的惊人涨幅，开源的 Nemotron 也有 12.8% 的提升。

亮眼数字背后的「空气」质疑

虽然测试结果极其震撼，但在社交平台和社区里，Poetiq 迎来的并不全是掌声。

这家由多名前 Google 与 DeepMind 资深技术人员创立、号称团队累计拥有 72 年经验的公司，自 2025 年 11 月走出隐身模式以来，已经先后在 ARC-AGI 和 HLE 两个高难度基准上秀过肌肉。但直到今天，普通用户依然用不上他们的东西。

在 Reddit 上，不少开发者直接把 Poetiq 打上了「空气软件」的标签。多位用户抱怨，加入候补名单这么久，收到的全是吹嘘战绩的营销邮件，却连一个实际的生产环境 Demo 或 API 测试权限都看不到。目前 Poetiq 仅表示正在与极少数早期客户接触，依然没有给出公开发布的时间表。

为什么重要

抛开商业化节奏的拖沓，Poetiq 证明了一件对行业影响极大的事：在模型本体之外做「系统级智能」，天花板可能远比大家想象的高得多。

过去模型厂商为了刷榜，往往要把精力死磕在后训练和高昂的微调算力上。但 Poetiq 的测试证明，一个足够通用的外部推理调度系统，仅靠标准 API 就能在小模型上压榨出超越旗舰大模型的实力。GPT-5.5 加上外挂后与裸跑的 Claude Opus 4.7 之间拉开的 13 个百分点差距，说明顶级模型的能力远未被现有的对话窗口完全释放出来。

对开发者和企业来说，这种技术路径如果成真，意味着未来不需要为不同模型分别维护定制的微调版本，一套聪明的调度外挂就能在各家模型间平替通用，甚至能让便宜的轻量模型干重活，大幅压低推理成本。

但问题也很明显。由于 Poetiq 至今没有开放任何第三方独立验证，外挂本身到底耗费了多少次 API 调用、增加了多少推理延迟和 Token 成本，外界一无所知。如果是靠成百上千次的复杂递归换来百分之几的准确率，那它在实际生产环境中的经济价值就要大打折扣。我们认为，在 Poetiq 真正端出可用的产品之前，这项技术更像是一次漂亮的实验室概念验证，普通开发者先不用着急上头。