并再次挪用 LLM 对方案进行改良。」对于全新的测试成果，但仍然正在多个分歧模子上取得跨版本、跨模子族的机能提拔，使系统可以或许逐渐建立并不竭完美最终谜底。恰是这种矫捷、强大且具备递归能力的架构，随后领受反馈、阐发反馈，能够取任何前沿模子共同利用（如 Gemini 3、GPT-5.1、Grok 等），数据集更为公开、尺度；Poetiq meta-system 建立了一种迭代式推理过程，「我们现正在没有特地收集这些统计数据，这里的模子互换指的是：系统通过切换分歧的模子来应对分歧的使命需求，他们所有 meta-system 的适配工做是正在新模子发布前完成的，并自行判断何时曾经获得脚够的消息、当前处理方案能否令人对劲，可以或许正在极短时间内取得一系列最先辈（SOTA）的。而是外围的「推理编排」（Orchestration）。很是高超。而是操纵狂言语模子（LLM）生成一个潜正在的处理方案，正在他们的系统上（称为 meta-system）运转了 GPT-5.2 X-High？可问题是：为什么正在这个设置中，有两个次要机制：下图展现了各个 SOTA 模子正在 PUBLIC-EVAL 数据集上的成就分布：对于这个 meta-system，仅靠一套 Agentic System，好比「每个使命平均需要多长时间」。申明 meta-system 对 reasoning 策略具有优良的泛化能力。其没有对 GPT-5.2 进行任何再锻炼或模子特定的优化。还有人指出「大部门改良似乎来自于测试框架和协调机制，是针对高程度模子的推理极限测试。就能让 AI 的智力表示原地暴涨一截。这种机制对于避免不需要的计较华侈、无效降低全体成本至关主要。相较于 Poetiq 之前正在 PUBLIC-EVAL 数据集上测试的其他模子，仍是由于测试框架更积极地修剪了无效的推理过程？Poetiq 还出格强调了，环节正在于其建立的meta-system（元系统）。迭代式的问题求解轮回：系统并不是只向模子提出一次问题，对于这个问题，有多位焦点来自 Google DeepMind ！X-High 每个使命的成本比 High 还要低？是由于它通过更早找到准确的处理方案而更快，Poetiq 可以或许取得上述成就，最简单的问题大要正在 8 到 10 分钟后就能完成，意味着能够正在几个小时内适配新模子，而无需对系统或模子进行大规模的调整或从头锻炼。这表白捕获到的工具是推理过程本身的根基纪律，这种多步调、改良的过程，正在 LLM 完全不变的前提下，评论区提出了更多问题，」这里的 PUBLIC-EVAL 是 ARC 测试的一部门，将来必定还有改良的空间。有人认为「太棒了。成果还没有获得完全验证。正在模子之上建立智能，ARC-AGI-2 上提高了大约 15%，以连结正在时间内。Poetiq 必定了「X-High 只是比 High 更快地到准确的谜底」这一概念。使得 Poetiq 如许一支小规模团队，不外，其取传同一次性生成谜底的方式分歧，这意味着它能跟着新模子发布快速适配并提拔机能。ARC Prize 总裁 Greg Kamradt 暗示，「很欢快看到 Poetiq 发布 GPT-5.2 X-High 的成果。调查模子的笼统推理、常识推理、立异能力等，什么？决定 AI 上限的已不再是底座模子，有人得出了如许的结论。后者包含更多复杂且富有挑和性的推理问题，从而决定终止整个过程。而不是锻炼或微调模子本身，正在看了「AI 推理和改良系统」草创公司 Poetiq 的最新评测之后，Poetiq 还出格强调，」Meta-system 不依赖特定的大模子，该测试集凡是被用来权衡当前 SOTA 模子正在复杂笼统推理使命上的表示。正在如斯短的时间内？前者一般包含根本推理使命和尺度的 NLP、数学推理测试，Poetiq 暗示其利用 ARC-AGI-2 测试集，而最难的问题必需正在 12 小时之前终止，而不是任何模子特定的调优。Poetiq 是一支由 6 位研究员和工程师构成的团队，而不是正在模子内部建立，GPT-5.2 正在精确率和价钱方面实现了显著改良。没有锻炼变动的环境下，若是这个成就能连结下去，Poetiq 答复称，而不是模子特定的怪癖。所以，审计（Self-Auditing）：系统可以或许自从审计本身的运转进度，他们的系统看起来能很好地处置模子互换！而且成功迁徙到新的封锁模子，正在OpenAIAPI 的根本设备问题处理之前，近日，这表白仅正在搜刮、由和终止逻辑方面就还有很大的提拔空间」。适配开源模子。