Ngày nay, 99% nhân loại trên toàn thế giới, ở khía cạnh IQ này, thực sự không thể sánh bằng một AI.
Trong bài kiểm tra IQ ngoại tuyến mới nhất của Tracking AI, nhiều phiên bản trong "bộ sưu tập" GPT-5.6 đều đạt điểm số chung 136.
Đây là lần đầu tiên LLM đẩy IQ vượt qua ngưỡng 130.
Trong phân phối trí thông minh của con người, 130 điểm là điểm xuất phát của "thiên tài", chỉ có khoảng 1% dân số toàn cầu có thể đạt được.
Nói cách khác, GPT-5.6 thông minh hơn 99% nhân loại.
GPT-5.6 Ghi Điểm Ấn Tượng 136, Lần Đầu Vượt "Ngưỡng Thiên Tài" IQ
"Chỉ số thông minh" này có giá trị thực sự đến đâu?
Thực tế, Tracking AI sở hữu hai bộ đề.
Một bộ là bài kiểm tra phong cách Mensa Norway công khai, ai cũng có thể làm trên mạng, các mô hình từ lâu đã đạt trên 140 điểm.
Bộ còn lại, là "bộ đề ngoại tuyến" do chính họ tổng hợp. Không công khai, chống rò rỉ đề, chuyên dùng để ngăn chặn lỗ hổng "mô hình học thuộc đáp án trước".
Lần này GPT-5.6 đạt 136 điểm, chính là phá kỷ lục ở bộ đề ngoại tuyến khó nhất, chống gian lận nhất này.
Trên bảng xếp hạng ngoại tuyến này, hàng loạt biến thể của GPT-5.6 (tính cả phiên bản thị giác) đồng loạt đạt 136 điểm, bỏ xa tất cả đối thủ phía sau.
Theo sát phía sau là Claude-5 Fable, 130 điểm.
Tiếp xuống, những cái tên như GPT-5.6 LUNA Max, Claude-4.8 Opus vẫn đang xoay quanh mức 117 đến 123 điểm.
Phải biết rằng, ngưỡng cửa 130 điểm trước đây chưa từng bị vượt qua.
Trong suốt một năm qua, từ o3 đến các flagship của các hãng, hết đợt mô hình này đến đợt mô hình khác lao lên, đều bị kẹt ở cửa 130, không ai thực sự bước vào "vùng thiên tài".
GPT-5.6, là kẻ đầu tiên đạp tung cánh cửa.
Và nó không lên điểm một mình, cả gia tộc SOL, TERRA đồng loạt đạt 136, ngay cả phiên bản thị giác cũng không bị tụt lại.
Trên Reddit, một nhà phát triển đích thân xuống tay kiểm tra, cuối cùng cảm nhận rõ ràng GPT-5.6 có IQ cao hơn hẳn GPT-5.5.
Trong các bài kiểm tra dưới đây, GPT-5.6 đều đạt thành tích xuất sắc trong thời gian ngắn nhất.
Một con điểm có thể khó thuyết phục, vậy thì, GPT-5.6 khi rời khỏi phòng thi, làm việc thực tế ra sao?
Chỉ có điểm chưa đủ, kéo GPT-5.6 đi làm việc thực tế
Nhà phát triển Amir Bohlooli dùng cùng một prompt mô phỏng vật lý, đưa đồng thời cho Fable 5 và GPT-5.6 Sol, tưởng sẽ bị Fable áp đảo, kết quả lại bị GPT làm kinh ngạc.
Nó chọn mô phỏng chất lỏng hạt, vật lý tiến triển theo thời gian thực thay vì chạy tính toán cố định mỗi khung hình một cách mù quáng, CSS, giao diện, render tất cả nhét vào một file HTML,
còn tự động host thành trang web có thể chia sẻ. Một câu nói, một sản phẩm hoàn chỉnh.
Ramanpal Singh cũng chỉ dùng một câu prompt, tạo ra một hệ thống ticket hỗ trợ khách hàng dựa trên RAG.
Bốn vai trò, backend quản lý, component có thể nhúng, còn có thể tự động phân loại khiếu nại, nhận diện cảm xúc, soạn thảo phản hồi.
Ứng dụng như vậy nó tạo một hơi 5 cái, chi phí chỉ bằng một phần nhỏ so với Fable 5.
Mang đậm tính hình ảnh nhất, là phân cảnh của Claire Vo.
Vài ngày trước, cô ấy bị kẹt ở một lỗi, tưởng code của mình viết sai, chuyển sang GPT-5.6 Sol chỉ ném một câu "tôi không tin là không giải quyết được".
Sol sửa xong một lần, còn tiện tay giúp các mô hình khác cũng chạy thông.
Đánh giá của cô ấy thật sắc bén, Fable cố chấp theo đuổi độ chính xác tuyệt đối về mặt kỹ thuật, ngược lại tự trói buộc mình, sự thực tế của Sol lại hoàn thành công việc.
Không thể không nói, AI biết làm bài, và AI có thể cứu nguy, giữa chúng cách nhau cả một dự án thực tế.
Đây có phải là AGI không?
Có người dùng mạng bày tỏ, "với 99% mọi người, đây đã là AGI rồi".
Bình tĩnh nhìn lại, 136 điểm này, là do một bài kiểm tra ngoại tuyến / phong cách Mensa Norway cụ thể của Tracking AI chạy ra.
Nó đo lường, chủ yếu là nhận thức mẫu trừu tượng, suy luận logic loại "nhận thức tiêu chuẩn hóa" này.
Vấn đề nằm ở chỗ: Bài kiểm tra IQ, vốn dĩ không được thiết kế riêng cho mô hình lớn.
Một bài thi Mensa, không đo được độ tin cậy về sự thực của một mô hình, không đo được khả năng gọi công cụ của nó, cũng không đo được nó trong bối cảnh nghề nghiệp thực tế rốt cuộc có đáng tin hay không.
Nó chỉ cắt lấy một lát mỏng của "trí thông minh", sau đó nói cho bạn biết, lát cắt này sáng đến mức nào.
Tuy nhiên, những bài kiểm tra thực tế sau khi mọi người trải nghiệm, lại đưa ra nửa còn lại của đáp án: GPT-5.6 dường như, đang dần kết hợp hai việc "biết làm bài" và "biết làm việc" lại với nhau.
Các câu hỏi trong bài kiểm tra tiêu chuẩn hóa, mô hình phần lớn đã gặp qua ngàn lần trong dữ liệu huấn luyện; thực sự thể hiện trình độ, là những vấn đề mới mà nó chưa từng gặp, cũng không có chỗ để sao chép đáp án.
Ai có thể đứng vững ở đó, người đó mới xứng đáng với hai chữ "chỉ số thông minh".
Tài liệu tham khảo:
https://x.com/davidpattersonx/status/2077049232490672458
https://trackingai.org/
Bài viết từ tài khoản công chúng WeChat "Tân Trí Nguyên", tác giả: ASI Khải Thị Lục
