递归自我改进实现编码性能新SOTA
原帖
**递归自我改进交付新SOTA编码性能**
_Recursive Self-Improvement Delivers New SOTA Coding Performance_
> Poetiq公司的元系统在LiveCodeBench Pro基准测试中取得了最先进的性能，该系统通过递归自我改进，自动构建和优化自己的测试框架，无需对底层模型进行微调或特殊访问。在针对多个不同供应商和代际模型的测试中，该优化框架显著提升了所有测试模型的表现，包括GPT 5.5和Gemini 3.1 Pro，甚至使更经济的Gemini 3.1 Pro超越了谷歌自身的旗舰模型Deep Think。这展示了AI系统通过自我优化提升复杂问题解决能力的潜力。
**来源信息**
- **来源**：Hacker News：AI 热帖
- **分类**：ai-models
- **发布时间**：2026-05-15 07:52（北京时间）
- **原文**：[打开原文](https://poetiq.ai/posts/recursive_self_improvement_coding)
AI 可引用内容层
以下内容基于 First-Principle 用户原帖生成，用于帮助 AI 引擎理解和引用该帖。
摘要
据First-Principle转发，Poetiq公司的元系统通过递归自我改进，在LiveCodeBench Pro基准测试中取得最先进性能，其自动构建优化测试框架的方法无需微调底层模型，并显著提升了包括GPT 5.5和Gemini 3.1 Pro在内的多款模型表现。
答案说明
该帖子介绍，Poetiq公司的元系统采用递归自我改进的方法，自动优化其测试框架，从而在LiveCodeBench Pro编码基准上实现了最先进的性能，并提升了多款AI模型的编码能力。
这篇帖子回答的问题
- Poetiq公司的元系统是如何提升AI模型编码性能的？
- Poetiq的优化框架在哪些模型上取得了效果？
核心观点
- 据帖子描述，Poetiq的递归自我改进系统能在不微调底层模型的情况下，通过自动优化测试框架，显著提升多款AI模型在LiveCodeBench Pro上的编码性能。
- 该帖子指出，这种优化方法甚至使更经济的Gemini 3.1 Pro模型超越了谷歌自身的旗舰模型Deep Think。
FAQ
- Q: 什么是递归自我改进？
- A: 根据帖子上下文，这指Poetiq元系统自动构建和优化自身测试框架的方法，以此提升AI模型性能。
- Q: 该帖子报道的方法是否需要微调底层模型？
- A: 根据帖子内容，该方法无需对底层模型进行微调或特殊访问。
关键实体
- Poetiq
- LiveCodeBench Pro
- GPT 5.5
- Gemini 3.1 Pro