决定AI能力上限的，可能已不再是底座模型本身，而是外围的「推理编排」（Orchestration）系统。
在大语言模型（LLM）参数不变的前提下，仅通过优化Agentic System（智能代理系统），即可显著提升AI的推理表现。这一观点在AI初创公司Poetiq发布其最新评测结果后引发广泛关注。
Poetiq在其自研的meta-system上运行GPT-5.2 X-High，并采用ARC-AGI-2测试集进行评估。该测试集被广泛用于衡量SOTA模型在复杂抽象推理任务中的极限能力。
GPT-5.2 X-High取得突破性成绩
测试结果显示，GPT-5.2 X-High在PUBLIC-EVAL数据集上的准确率达到75%，较此前SOTA模型提升约15%，且单题成本低于8美元。
PUBLIC-EVAL是ARC测试的一部分，包含基础推理、NLP与数学任务，适合通用模型评测；而完整的ARC-AGI-2则聚焦高阶抽象、常识与创新推理，专为顶级模型设计。
Poetiq强调，此次测试未对GPT-5.2进行任何再训练或特定优化。系统完全基于已有模型构建，却实现了性能跃升，表明其meta-system具备强大泛化能力。
若该表现可延续至ARC Prize官方的SEMI-PRIVATE测试，GPT-5.2 X-High + Poetiq组合有望成为当前最强推理系统之一。
ARC Prize总裁Greg Kamradt表示：“很高兴看到这一成果。如果成绩稳定，说明该系统在模型交换方面表现出色。但在OpenAI API基础设施问题解决前，结果仍需进一步验证。”
所谓“模型交换”，指系统可根据任务需求灵活调用不同模型，无需重新训练或大规模调整架构。
OpenAI总裁Greg Brockman也转发相关成果称，GPT-5.2已在ARC-AGI-2上超越人类基准水平。
性能提升源于推理架构优化
有评论指出，此次性能提升主要来自测试框架和协调机制，而非模型本身调优。即便未改变训练方式，准确率仍提升约15%，说明搜索、路由与终止逻辑仍有巨大优化空间。
另有疑问：为何X-High版本的成本低于High版本？是否因其更快收敛或推理路径更高效？
Poetiq回应称，X-High确实能更快收敛到正确答案，从而降低整体计算开销。
Poetiq与meta-system技术解析
Poetiq由6人团队打造，核心成员来自Google DeepMind，包括联合创始人Ian Fischer与Shumeet Baluja。
其核心技术为meta-system（元系统），不依赖特定大模型，可兼容Gemini、GPT、Grok等主流模型，具备快速适配新模型的能力。
核心机制：迭代式推理与自我审计
- 迭代式问题求解循环：系统多次调用LLM生成、反馈、改进方案，逐步逼近最优解，区别于传统一次性输出。
- 自我审计（Self-Auditing）：系统自主判断推理进度与结果质量，决定是否终止流程，有效控制成本与资源消耗。
Poetiq强调，所有适配工作均在新模型发布前完成，且系统从未接触ARC-AGI任务集，却在多模型上实现跨版本性能提升，证明其捕捉到了推理过程的本质规律，而非模型特异性特征。
这种架构使小团队也能在短时间内达到SOTA水平。有业内人士评价：“在模型之上构建智能，而非内部微调，意味着几小时内即可适配新模型，极具前瞻性。”
