Saat ini, 99% manusia di seluruh dunia tidak bisa mengalahkan sebuah AI dalam hal IQ.
Dalam tes IQ offline terbaru Tracking AI, beberapa versi "paket lengkap" GPT-5.6 secara serentak meroket ke angka 136.
Ini adalah pertama kalinya LLM mendorong IQ melewati ambang batas 130 ini.
Dalam distribusi IQ manusia, skor 130 adalah garis start "jenius", hanya sekitar 1% populasi global yang bisa mencapainya.
Dengan kata lain, GPT-5.6 lebih pintar dari 99% manusia.
GPT-5.6 Mencetak Skor Tinggi 136, IQ Pertama Kali Tembus "Garis Jenius"
Seberapa tinggi "kecerdasan" ini?
Sebenarnya, Tracking AI memiliki dua set soal.
Satu set adalah tes gaya Mensa Norway yang terbuka untuk umum, bisa dikerjakan siapa saja di internet, model-model sebelumnya sudah mencetak skor lebih dari 140.
Set lainnya adalah "bank soal offline" yang mereka kumpulkan sendiri. Tidak dipublikasikan, dirancang anti bocor, khusus untuk menutup celah "model menghafal jawaban sebelumnya".
GPT-5.6 kali ini meraih skor 136, memecahkan rekor justru pada set soal offline yang paling sulit dan paling anti curang ini.
Dalam peringkat offline ini, berbagai varian GPT-5.6 (termasuk versi visual) secara kolektif melesat ke angka 136, meninggalkan semua pesaing di belakangnya dengan jarak yang cukup jauh.
Yang mengeketat di belakang adalah Claude-5 Fable, dengan skor 130.
Selanjutnya, nama-nama seperti GPT-5.6 LUNA Max, Claude-4.8 Opus, masih berkutat di antara skor 117 hingga 123.
Perlu diketahui, ambang batas 130 ini sebelumnya belum pernah berhasil dilampaui.
Selama setahun terakhir, dari o3 hingga berbagai model unggulan lainnya, satu per satu model mencoba menyerbu, semuanya mentok di depan pintu 130, tidak ada yang benar-benar berhasil melangkah masuk ke "zona jenius".
GPT-5.6, adalah yang pertama berhasil mendobrak pintunya.
Dan bukan hanya satu model saja yang meraih skor tinggi, seluruh keluarga SOL, TERRA secara kolektif melesat ke 136, bahkan versi visual pun tidak tertinggal.
Di Reddit, seorang developer secara langsung melakukan pengujian, dan secara subjektif merasakan bahwa kecerdasan GPT-5.6 jelas lebih tinggi daripada GPT-5.5.
Dalam soal uji berikut, GPT-5.6 semuanya meraih hasil yang sangat baik dalam waktu tersingkat.
Satu skor mungkin sulit meyakinkan, lalu, seperti apa GPT-5.6 saat keluar dari ruang ujian dan bekerja sungguhan?
Hanya Skor Tidak Cukup, Ajak GPT-5.6 Bekerja Sungguhan
Developer Amir Bohlooli memberikan prompt simulasi fisika yang sama kepada Fable 5 dan GPT-5.6 Sol, awalnya mengira akan dihancurkan oleh Fable, tetapi malah terkejut oleh GPT.
Ia memilih simulasi fluida partikel, fisika berjalan sesuai waktu nyata bukan perhitungan tetap buta per frame, CSS, antarmuka, rendering semuanya dimasukkan ke dalam satu file HTML,
lalu secara otomatis di-hosting menjadi halaman web yang bisa dibagikan. Satu kalimat, satu produk jadi.
Ramanpal Singh juga menggunakan satu kalimat prompt, menciptakan sistem tiket layanan pelanggan berbasis RAG.
Empat peran, panel admin, komponen yang bisa disematkan, bahkan bisa secara otomatis mengkategorikan keluhan, mengidentifikasi emosi, merancang balasan.
App seperti ini ia buat sekaligus 5 buah, biayanya hanya sepersekian dari Fable 5.
Yang paling berkesan, adalah cuplikan dari Claire Vo.
Beberapa hari lalu, ia terjebak pada sebuah bug, mengira kodenya yang bermasalah, setelah beralih ke GPT-5.6 Sol hanya dengan melemparkan kalimat "saya tidak percaya tidak bisa menyelesaikannya".
Sol memperbaikinya sekali jadi, bahkan sekalian membuat model lain juga berhasil menjalankannya.
Evaluasinya tepat sasaran, Fable terpaku pada ketepatan teknis mutlak, malah menjerat diri sendiri, sementara kepraktisan Sol justru menyelesaikan pekerjaan.
Harus diakui, antara AI yang bisa mengerjakan soal, dan AI yang bisa menyelamatkan situasi, ada jarak satu proyek sungguhan di antaranya.
Apakah Ini AGI?
Ada netizen yang menyatakan, "Bagi 99% orang, ini sudah AGI".
Dengan kepala dingin, skor 136 ini, didapat dari pengujian offline / gaya Mensa Norway yang spesifik oleh Tracking AI.
Yang diukur, terutama adalah "kognisi terstandarisasi" seperti pengenalan pola abstrak, penalaran logis.
Masalahnya: Tes IQ, awalnya memang tidak dirancang untuk model besar.
Sebuah lembar ujian Mensa, tidak bisa mengukur keandalan fakta sebuah model, tidak bisa mengukur kemampuan pemanggilan alatnya, juga tidak bisa mengukur seberapa andal ia dalam skenario pekerjaan nyata.
Ia hanya memotong seiris tipis dari "kecerdasan", lalu memberitahumu, seberapa terang irisan ini.
Namun, pengujian langsung oleh pengguna setelah memakainya, justru memberikan setengah jawaban lainnya: GPT-5.6 sepertinya, perlahan-lahan menyatukan dua hal ini: "bisa mengerjakan soal" dan "bisa menyelesaikan pekerjaan".
Soal-soal dalam uji terstandarisasi, kemungkinan besar sudah dilihat model ribuan kali dalam data pelatihan; yang benar-benar menguji kemampuan, adalah masalah-masalah baru yang belum pernah ditemui, dan tidak ada jawaban yang bisa disontek.
Siapa yang bisa stabil di sana, baru pantas menyandang dua kata "kecerdasan".
Referensi:
https://x.com/davidpattersonx/status/2077049232490672458
https://trackingai.org/
Artikel ini berasal dari akun WeChat publik "新智元", penulis: ASI启示录
