七人小团队「Poetiq」反杀巨头实验室！创业者花千万微调，结果被新模型一夜清零！

不二如是

不要再把大模型微调当成垂直赛道的万能钥匙了。

很多AI创业者一上来就想收集行业数据、训练专属模型，仿佛只有把模型重新打磨一遍，才能做出真正有壁垒的产品。

在线学习：



但现实往往很残酷：

你可能刚花了几个月清洗数据、调参数、堆预算，好不容易把旧模型推到某个领域的高点，结果产品一上线，OpenAI、Anthropic或Google就发布了更强的新基座模型。那一刻你会发现，自己砸进去的大量时间和资金，并没有变成护城河，反而像是在高速迭代的浪潮前反复推石头上山。

真正值得警惕的，不是微调本身，而是把“重新训练模型”误当成唯一升级路径。

现在更值得关注的一条路线，是不要急着改造模型的大脑，而是在模型之上搭一套能持续进化的外部系统。

由前Google DeepMind研究人员创立的Poetiq，就在尝试这件事。他们的核心思路不是重训底座，而是通过一套meta-system，把提示策略、推理流程、模型组合和结果校验做成可递归优化的“外骨骼”。

这套方法已经在公开基准上打出很夸张的结果：

在Humanity’s Last Exam带工具版本上，Poetiq做到55.0%，高于Claude Opus 4.6的53.0%；在ARC-AGI-2上，ARC Prize官方确认，Poetiq基于Gemini 3 Pro的refinement方案做到54%，显著高于当时顶尖商业模型的公开成绩。

更关键的是，这家公司公开资料里一度只有6到7人的精干团队，却靠系统层优化打穿了巨头靠模型本体和算力堆出来的优势。

这背后真正颠覆行业的，不只是分数，而是工程哲学的变化。过去大家做AI应用，更像手工雕琢：

人类写prompt、调workflow、补数据、修bug，试图一点点驯服黑盒。

Poetiq这类方法则在传递一个更激进的信号：既然人类越来越难完整理解大模型的内部失败模式，那就把“如何更好地调用模型、组合模型、逼出模型潜力”这件事也交给系统自己去迭代。

未来拉开差距的，也许不再是谁手里GPU更多，而是谁先拥有一套能让智能自己生长、自己纠错、自己放大能力的机制。

真正可怕的不是模型变强，而是模型之上的系统开始学会如何让模型持续变强。

评论区聊聊你的想法吧

                               
登录/注册后可看大图

>>万能兑换C币许愿池<<

如果有收获，别忘了评分 ：

                               
登录/注册后可看大图

                               
登录/注册后可看大图