.@poetiq_ai è una nuova startup fondata da ex ricercatori di DeepMind (@itfische & @sbpoetiq) che ha recentemente raggiunto un importante traguardo nel benchmark ARC-AGI sovrapponendo un sistema di auto-miglioramento ricorsivo a Gemini 3. In questa conversazione al NeurIPS, @FrancoisChauba1 si è seduto con il co-fondatore di Poetiq, Ian Fischer, per scoprire come stanno aumentando le prestazioni utilizzando solo prompt e design del sistema. Esplorano anche l'auto-miglioramento ricorsivo, il progresso nel benchmarking verso l'AGI e perché automatizzare l'ingegneria dei prompt potrebbe essere una delle leve più potenti nell'AI di oggi. 00:11 — Introduzione a Poetiq e al progresso ARC-AGI 00:49 — Quanto è grande il salto di prestazioni? 01:18 — Il background di Ian Fisher: YC, Google, DeepMind 02:00 — Auto-miglioramento ricorsivo spiegato 03:00 — Perché Poetiq ha puntato su ARC-AGI 03:58 — Migliorare i modelli senza accesso ai pesi 04:26 — Insiemi, votazione e ottimizzazione a livello di sistema 05:30 — Perché Gemini 3 ha cambiato tutto 06:21 — Cosa c'è dopo: benchmark, ricerca e clienti 07:14 — L'auto-miglioramento ricorsivo è una via verso l'AGI? 08:46 — Quando fermarsi con l'ottimizzazione 09:16 — Automatizzare ingegneri e agenti di prompt