Hoy en día, el 99% de la población mundial no puede superar a una IA en términos de coeficiente intelectual (IQ).
En la última prueba de IQ sin conexión de Tracking AI, múltiples versiones del "paquete completo" GPT-5.6 alcanzaron una puntuación de 136.
Esta es la primera vez que un LLM supera el umbral de 130 en IQ.
En la distribución del coeficiente intelectual humano, 130 puntos es la línea de partida de los "genios", y solo alrededor del 1% de la población mundial puede alcanzarla.
En otras palabras, GPT-5.6 es más inteligente que el 99% de los humanos.
GPT-5.6 obtiene 136 puntos, superando por primera vez la "línea de genio" del IQ
¿Cuál es el verdadero valor de este "coeficiente intelectual"?
En realidad, Tracking AI tiene dos conjuntos de pruebas.
Uno es una prueba pública al estilo Mensa Norway, que cualquiera puede hacer en línea y los modelos ya han superado los 140 puntos.
El otro es su propio "banco de preguntas sin conexión". No es público, previene la filtración de preguntas y está diseñado específicamente para evitar el "problema de los modelos que memorizan respuestas por adelantado".
GPT-5.6 logró 136 puntos esta vez, superando precisamente esta prueba sin conexión, la más difícil y resistente al fraude.
En esta lista sin conexión, todas las variantes de GPT-5.6 (incluida la versión visual) alcanzaron colectivamente 136 puntos, dejando atrás a todos sus competidores.
Detrás, seguido de cerca, está Claude-5 Fable con 130 puntos.
Después, nombres como GPT-5.6 LUNA Max, Claude-4.8 Opus, etc., aún rondan entre 117 y 123 puntos.
Hay que recordar que el umbral de 130 no había sido superado antes.
Durante el último año, desde o3 hasta los modelos principales de varias empresas, oleadas de modelos intentaron superarlo, pero todos se quedaron estancados a las puertas de 130, sin poder realmente entrar en el "rango de genio".
GPT-5.6 es el primero en derribar esa puerta.
Y no lo hizo solo, toda la familia SOL y TERRA alcanzó los 136 puntos, ni siquiera la versión visual se quedó atrás.
En Reddit, un desarrollador realizó pruebas personalmente y concluyó que GPT-5.6 es claramente más inteligente que GPT-5.5.
En las siguientes pruebas, GPT-5.6 obtuvo excelentes resultados en el menor tiempo posible.
Una puntuación puede no ser suficiente para convencer, entonces, ¿cómo se desempeña GPT-5.6 fuera del examen, en situaciones reales de trabajo?
No basta con los puntos, pongamos a GPT-5.6 a trabajar
El desarrollador Amir Bohlooli utilizó el mismo prompt de simulación física para alimentar a Fable 5 y GPT-5.6 Sol simultáneamente. Esperaba ser superado por Fable, pero quedó sorprendido por GPT.
Este eligió una simulación de fluidos de partículas, con física avanzando en tiempo real en lugar de cálculos fijos por fotograma, incluyendo CSS, interfaz y renderizado en un solo archivo HTML,
y lo alojó automáticamente como una página web compartible. En resumen, un producto terminado con una sola instrucción.
Ramanpal Singh también usó un solo prompt para crear un sistema de tickets de atención al cliente basado en RAG.
Cuatro roles, panel de administración, componentes integrables, y capaz de clasificar automáticamente quejas, identificar emociones y redactar respuestas.
Creó 5 aplicaciones así de una vez, con un costo que era solo una fracción del de Fable 5.
La anécdota más gráfica es la de Claire Vo.
Hace unos días, se atascó en un bug, pensando que era su código el que fallaba. Al cambiar a GPT-5.6 Sol, simplemente dijo "no creo que no pueda resolverlo".
Sol lo arregló de una vez y, además, hizo que otros modelos también funcionaran.
Su evaluación fue precisa: Fable se obsesiona con la precisión técnica absoluta y termina atrapándose a sí mismo, mientras que el enfoque pragmático de Sol logra hacer el trabajo.
Sin duda, hay una gran diferencia entre que una IA sepa resolver pruebas y que pueda salvar una situación real.
¿Esto es AGI?
Algunos usuarios han comentado: "Para el 99% de las personas, esto ya es AGI".
Viendo las cosas con calma, estos 136 puntos fueron obtenidos en una prueba específica sin conexión / estilo Mensa Norway de Tracking AI.
Mide principalmente "cognición estandarizada", como el reconocimiento de patrones abstractos y el razonamiento lógico.
El problema es: las pruebas de IQ no fueron diseñadas para modelos de gran escala.
Un examen tipo Mensa no puede medir la fiabilidad fáctica de un modelo, su capacidad para utilizar herramientas, ni su confiabilidad en escenarios profesionales reales.
Solo toma una pequeña porción de la "inteligencia" y te dice cuán brillante es esa porción.
Sin embargo, las pruebas prácticas realizadas por los usuarios ofrecen justamente la otra mitad de la respuesta: GPT-5.6 parece estar fusionando gradualmente las habilidades de "saber resolver pruebas" y "saber hacer el trabajo".
Los problemas en las pruebas estandarizadas son probablemente vistos miles de veces por los modelos en sus datos de entrenamiento; lo que realmente pone a prueba su habilidad son los nuevos problemas que nunca ha encontrado y para los que no tiene respuestas memorizadas.
Quien pueda mantenerse firme allí, merece realmente la palabra "coeficiente intelectual".
Referencias:
https://x.com/davidpattersonx/status/2077049232490672458
https://trackingai.org/
Este artículo proviene del WeChat Official Account "New Zhiyuan", autor: ASI Apocalipsis
