Poetiq 釋出 Meta-System：不微調模型，GPT-5.5 程式設計刷出 93.9% SOTA

要想讓大模型程式設計變強，行業裡的慣常做法是拼命做後訓練或者微調。但如果根本不碰模型權重，只在外面搭一套聰明的「排程外掛」，能把模型逼到多強的水平？

AI 初創團隊 Poetiq 公佈了其 Meta-System 的最新成績單。在極難發生資料汙染、題目全部來自高難度 C++ 競賽的 LiveCodeBench Pro 基準測試中，他們給 GPT-5.5 套上這套系統後，直接跑出了 93.9% 的準確率，重新整理了行業 SOTA。

更讓人意外的是，這一成績完全沒有進行底層微調，甚至連模型的內部啟用層都沒碰，僅僅是通過普通的標準 API 呼叫實現的。

讓 AI 自己給自己搭腳手架

Poetiq 的思路不是手寫複雜的呼叫管線，而是把 AlphaGo 的自我博弈理念搬到了提示詞工程和架構設計上。他們稱之為「遞迴自我改進」。

簡單來說，Meta-System 會根據題目需求、記憶體和執行時限制，從零開始自動生成並最佳化一套定製的測試框架與問答鏈。它學會了怎麼一步步提問、怎麼拆解邏輯，甚至怎麼把生成出來的程式碼拼裝起來。

整個框架最初只拿 Google 的 Gemini 3.1 Pro 做訓練最佳化。結果令人吃驚：Gemini 3.1 Pro 的準確率直接從 78.6% 飆升 12.3 個百分點來到 90.9%，一舉反超了 Google 自家未開放 API 的旗艦模型 Gemini 3 Deep Think 的 88.8%。

更具殺傷力的是這套框架的跨模型複用能力。Poetiq 把這套原本為 Gemini 打造的外掛原封不動搬給 GPT-5.5，後者的準確率直接從 89.6% 躍升至 93.9%。在最刁鑽的 Hard 分類裡，GPT-5.5 的解題率直接從 50.0% 拔高到了 75.0%。

同樣的提升也出現在其他模型上。原本定位輕量的 Gemini 3 Flash，套上框架後準確率從 72.3% 漲到 82.3%，直接越級幹掉了裸跑的 Anthropic Claude Opus 4.7（80.5%）和 GPT 5.2 High；國產模型 Kimi K2.6 則實現了 30% 的驚人漲幅，開源的 Nemotron 也有 12.8% 的提升。

亮眼數字背後的「空氣」質疑

雖然測試結果極其震撼，但在社交平臺和社群裡，Poetiq 迎來的並不全是掌聲。

這家由多名前 Google 與 DeepMind 資深技術人員創立、號稱團隊累計擁有 72 年經驗的公司，自 2025 年 11 月走出隱身模式以來，已經先後在 ARC-AGI 和 HLE 兩個高難度基準上秀過肌肉。但直到今天，普通使用者依然用不上他們的東西。

在 Reddit 上，不少開發者直接把 Poetiq 打上了「空氣軟體」的標籤。多位使用者抱怨，加入候補名單這麼久，收到的全是吹噓戰績的營銷郵件，卻連一個實際的生產環境 Demo 或 API 測試許可權都看不到。目前 Poetiq 僅表示正在與極少數早期客戶接觸，依然沒有給出公開發布的時間表。

為什麼重要

拋開商業化節奏的拖沓，Poetiq 證明了一件對行業影響極大的事：在模型本體之外做「系統級智慧」，天花板可能遠比大家想像的高得多。

過去模型廠商為了刷榜，往往要把精力死磕在後訓練和高昂的微調算力上。但 Poetiq 的測試證明，一個足夠通用的外部推理排程系統，僅靠標準 API 就能在小模型上壓榨出超越旗艦大模型的實力。GPT-5.5 加上外掛後與裸跑的 Claude Opus 4.7 之間拉開的 13 個百分點差距，說明頂級模型的能力遠未被現有的對話視窗完全釋放出來。

對開發者和企業來說，這種技術路徑如果成真，意味著未來不需要為不同模型分別維護定製的微調版本，一套聰明的排程外掛就能在各家模型間平替通用，甚至能讓便宜的輕量模型乾重活，大幅壓低推理成本。

但問題也很明顯。由於 Poetiq 至今沒有開放任何第三方獨立驗證，外掛本身到底耗費了多少次 API 呼叫、增加了多少推理延遲和 Token 成本，外界一無所知。如果是靠成百上千次的複雜遞迴換來百分之幾的準確率，那它在實際生產環境中的經濟價值就要大打折扣。我們認為，在 Poetiq 真正端出可用的產品之前，這項技術更像是一次漂亮的實驗室概念驗證，普通開發者先不用著急上頭。