Poetiq团队以6人之力，通过创新元系统在ARC AGI基准上超越人类平均表现，实现低成本、高精度、跨模型的自主推理，开源代码推动超智能发展。
Poetiq引爆AI界！ARC AGI基准测试全面碾压人类，超智能时代真的来了？
一家名叫Poetiq的神秘小团队，仅由6位前谷歌DeepMind研究员组成，刚刚发布了一篇重磅技术博客，宣布他们的系统在ARC AGI（抽象与推理语料库-人工通用智能）基准测试上取得了前所未有的突破——不仅全面超越所有已知大模型，甚至在ARC AGI-2上的表现已经超过了普通人类测试者的平均水平（准确率突破60%）！
更令人震惊的是，他们用的全是最新发布的一周内的模型，比如2025年11月13日刚上线的GPT 5.1和11月18日发布的Gemini 3，而且几乎所有系统配置的成本都低到离谱，有的甚至每道题不到1美分！这已经不是简单的技术进步了，这几乎是宣告“超智能推理代理”的正式诞生。
Poetiq的这套“元系统”不仅能自动组合多个大模型、动态分配编码任务、自我审计答案质量，还能在不依赖人类干预的情况下，实现递归式自我改进——换句话说，它已经具备了通往人工通用智能（AGI）的关键特征：自主推理、知识整合与成本感知的闭环优化。
Poetiq不是模型，而是一个会“思考组合拳”的超级大脑
很多人第一反应可能是：“Poetiq是不是又一个大模型？”错！Poetiq根本不是一个单一模型，而是一个高度灵活、可自我优化的“元系统”（meta-system）。
它的核心能力在于：能自动判断在某个任务下，该调用哪个模型、是否需要生成代码、如何拆解问题、该问几次问题，甚至能决定什么时候停止计算——因为答案已经足够好。
这种能力听起来很像人类专家在解题时的思维流程：先尝试一种方法，发现不对就调整策略，必要时写段程序验证，再根据反馈迭代优化，直到找到最优解。
Poetiq把这一整套人类高阶推理流程自动化了，而且还能跨模型家族通用。
无论是OpenAI的GPT系列、Google的Gemini、Anthropic的Claude，还是xAI的Grok，甚至开源的GPT OSS 120B模型，Poetiq都能“驾驭”它们，并从中榨取出远超原模型单打独斗的性能。
更关键的是，这套系统在Gemini 3和GPT 5.1发布前就已经训练好，从未见过ARC AGI-2的题目，却依然在新模型上实现无缝迁移——这说明它的泛化能力极强，不是过拟合某种特定模型，而是真正掌握了“如何让大模型高效推理”的元知识。
成本打骨折，性能反飙升！Poetiq用“模型混搭”打出性价比天花板
Poetiq最让人拍案叫绝的，是它在性能和成本之间打出的完美平衡。
他们展示了多个系统配置，每一种都针对不同场景做了极致优化。比如Poetiq（Mix）同时调用Gemini 3和GPT 5.1，结果不仅比单独使用任何一方更强，还比Google自家更贵的Gemini 3 Deep Think（预览版）准确率更高、价格更低！
再比如Poetiq（Grok 4 Fast），建立在xAI的Grok 4快速推理模型之上，但通过Poetiq的调度策略，竟然比原模型官方公布的性能还要好，而且成本便宜两个数量级——也就是说，花1%的钱，干100倍的活！
而基于开源GPT OSS 120B模型的Poetiq（GPT OSS b），每道题成本不到1美分，准确率却高得惊人；另一个极端省成本版本Poetiq（GPT OSS a），则展示了在极限压缩预算下的可行性。
这些不是孤立的系统，而是同一个元系统在不同约束下自动生成的“子代理”。这意味着未来企业根本不需要为每个任务训练专用模型，只需部署一个Poetiq这样的调度中枢，就能动态调配现有大模型资源，实现“用最少的钱，办最大的事”。
人类平均分已成历史！ARC AGI-2被AI正式超越
ARC AGI基准测试由François Chollet（Keras之父）设计，旨在评估AI系统在从未见过的抽象推理任务上的泛化能力。
它不依赖语言知识或记忆，而是纯粹考察模式识别、归纳、演绎等人类核心智能。长期以来，这项测试被认为是大模型的“照妖镜”——因为大多数模型在此表现远不如人类。但Poetiq的最新结果彻底改写了历史：在ARC AGI-2上，他们的系统准确率已超过60%，正式超越普通人类测试者的平均水平！
要知道，人类在这个测试上的表现其实参差不齐，很多受过高等教育的人也未必能稳定答对六成题目。而Poetiq不仅做到了，还做到了低成本、高效率。
更值得注意的是，在ARC AGI-1上，他们的Gemini 3-b配置已经接近性能饱和——再增加算力（如Gemini 3-c）也几乎没提升，说明该任务可能已被“破解”；但在更难的ARC AGI-2上，性能仍在随资源投入持续上升，这意味着还有巨大优化空间。这无疑给整个AI界打了一针强心剂：复杂推理的天花板，正在被一点点捅破。
所有主流大模型，经Poetiq调教后集体“开窍”
Poetiq团队还做了一项极具说服力的实验：他们把自家元系统“套”在12个流行大模型上，包括GPT、Claude Haiku、Gemini、Grok 4和GPT OSS等，结果无一例外——所有模型在Poetiq的调度下，准确率都提升了，成本反而下降了！
这是怎么做到的？关键在于Poetiq只用“一次尝试”（平均不到两次API调用），就完成了原本需要两次提交的任务（ARC AGI允许两次尝试）。它通过内部的迭代循环：先让模型生成一个初步方案（常常是代码），然后自动运行验证，分析失败原因，再让模型修正，直到满意为止。
整个过程完全自主，无需人工介入。这就像给每个大模型配了一个“AI教练”，不仅教它怎么思考，还帮它省钱。图3（原文）清晰展示了这种跨模型、跨规模、跨开源闭源的普适性提升——无论你是千亿参数的闭源巨兽，还是百亿级的开源模型，只要接入Poetiq框架，立刻脱胎换骨。
这种“模型无关”的通用优化能力，才是Poetiq真正的杀手锏。
“提示词只是接口，智能在循环中诞生”——Poetiq的哲学内核
Poetiq团队在文中提出一个颠覆性观点：“提示词不是智能，而只是一个接口。”
他们认为，当前AI应用过度依赖“写好提示词”来榨取模型性能，但这本质上是静态的、低效的。
真正的智能应该体现在动态的问题解决过程中——通过多轮交互、反馈、修正，逐步逼近最优解。
Poetiq的系统正是这一理念的工程实现：它不满足于问一次“请解这道题”，而是构建一个完整的“思考-执行-反思”闭环。
比如在ARC任务中，系统会先让LLM生成一段Python代码尝试解题，运行后如果失败，会自动分析错误类型（是逻辑错？边界条件漏？还是理解偏差？），然后生成新的指令让LLM修正。这个过程可能重复多次，但系统会自我审计：当它判断继续迭代的边际收益低于成本时，就会主动停止。这种“自省”能力，使得Poetiq既能避免无谓的算力浪费，又能确保在预算内交付最佳结果。这已经非常接近人类专家的工作流——不是靠一次灵光乍现，而是靠系统性的试错与优化。
从开源到闭源，从GPT到Gemini，Poetiq证明了“调度智能”的普适性
更令人震撼的是，Poetiq的整个适应过程（adaptation）完全是在开源模型上完成的，而且是在Gemini 3和GPT 5.1发布之前就训练好的。这意味着他们的元系统从未“见过”这些最新闭源模型，却依然能无缝适配，并在ARC AGI-1和ARC AGI-2上取得SOTA（State of the Art）成绩。
不仅如此，这套方法还被验证适用于十几个不同家族、不同规模的模型。这种跨模型、跨版本、跨训练数据的强大泛化能力，说明Poetiq发现的不是某个模型的“漏洞”或“特性”，而是一种通用的“高效推理策略”。
这从根本上改变了我们对大模型能力的认知：模型本身固然重要，但如何调度、组合、引导模型，可能才是解锁其真正潜力的关键。未来AI的竞争，或许不再是“谁的模型更大”，而是“谁的调度系统更聪明”。
公开测试集 vs 半私有测试集：性能下降的真相
Poetiq团队还坦诚指出了一个行业痛点：ARC AGI-1包含100道“半私有”题目，这些题目从未公开，只有官方能运行评测。
许多模型在公开集上表现亮眼，一到半私有集就大幅下滑——比如Gemini 2.5 Pro、Claude Haiku 4.5和Grok 4 Fast Reasoning都出现显著性能衰减，只有GPT 5（High）版本波动较小。这是因为半私有集的题目分布与公开集差异较大，模型容易过拟合公开数据。
Poetiq坦言，他们的系统建立在底层模型之上，因此也会受到同样影响。但他们强调，所有公布的数据都基于公开测试集，并承诺一旦官方发布半私有集评测结果，他们会第一时间更新。这种透明态度值得赞赏，也提醒我们：AI评测不能只看公开榜，真正的泛化能力还需经受“黑盒”考验。
Poetiq团队背景曝光：6人小队，53年DeepMind老兵，专攻AI推理硬核难题
你可能好奇，这样一个颠覆性技术，背后是怎样的团队？Poetiq由6位研究人员和工程师组成，团队虽小，却是“浓缩的精华”——他们合计拥有53年的谷歌DeepMind工作经验，深耕AI推理、知识提取、不确定性环境下的决策等基础难题。他们不是靠堆算力、烧钱训练大模型，而是专注解决“如何让现有AI更聪明地思考”这一根本问题。正是这种对底层原理的执着，让他们能在资源有限的情况下，用精巧的系统设计撬动整个行业。
超智能已非科幻，Poetiq正在把“蜂巢思维”变为现实
回顾全文，Poetiq的突破远不止于一个基准测试的分数。
它证明了：通过智能调度、自主迭代与跨模型协同，我们可以构建出远超单一大模型能力的“蜂巢智能体”。
这些代理不仅能完成任务，还能自我反思、优化策略、控制成本——这正是你我过去所观察到的AI代理行为（如争论、误导、自信胡说）的更高阶进化：它们开始具备“目标导向的理性”。
Poetiq的系统实现探索目标的技术雏形：人类设定目标与约束，AI代理自主探索最优路径。