# The Powerful Alternative To Fine-Tuning

- Channel: [Y Combinator](https://www.youtube.com/channel/UCcefcZRL2oaA_uBNeo5UOWg)
- Published: 2026-03-26
- Source video: [Watch on YouTube](https://youtube.com/watch?v=UPGB-hsAoVY)
- Read on ReadTube: https://www.read.tube/p/videos/UPGB-hsAoVY
- Language: Simplified Chinese

## Summary

**递归自我改进的替代方案**

这段视频介绍了 Poetic 通过递归自我改进的“支架式”系统，帮助大模型在不重新从头训练或昂贵微调的情况下，持续生成更强的推理与任务解决能力。该方法在多个高难基准上取得了领先结果，包括以较低成本提升 ARC AGI v2 和“人类最后考试”的表现，并且能随着底层模型升级无缝继续变强。Ian Fischer 还分享了自己从创业和谷歌研究一路转向机器学习的经历，并强调工程师应该尽可能每天用 AI 尝试新东西，不要给自己设限。

这期视频的核心观点是：相比微调，构建在大模型之上的“系统/护栏”更像创业公司的真正杠杆。Poetic 主打递归自我改进的元系统，自动为特定任务生成更强的提示、推理策略、上下文组织与代理流程，从而在不重新训练新模型的前提下持续超越底层模型，并且能随新模型发布直接迁移受益。

他们强调这种方法比微调便宜得多，也更抗“模型迭代失效”：微调往往要花大量数据和算力，等新前沿模型出现时，旧投入很快贬值；而他们的系统像“支架”一样叠加在任意模型之上，既能提升推理能力，也能提升知识提取和验证能力。视频中提到他们在多个高难基准上取得领先成绩，且成本远低于传统大规模训练。

最后，Ian 的建议是：不要低估 AI 进展速度，要每天动手尝试，用 AI 去做真实项目，把边界往外推。对想做应用 AI 的工程师和创业者来说，重点不是死磕单次微调，而是学会用可自动优化的系统把模型能力放大。