如今,全世界99%的人类,在IQ这方面竟拼不过一个AI。
在Tracking AI最新离线IQ测试中,GPT-5.6「全家桶」多个版本,齐刷刷地飙到了136分。
这是LLM第一次,把IQ推过了130这道坎。
在人类的智商分布里,130分是「天才」的起跑线,全球仅有大约1%的人能站上去。
换言之,GPT-5.6要比99%的人类还聪明。
GPT-5.6狂刷136分,IQ首破「天才线」
这个「智商」,含金量有多高?
实际上,Tracking AI手里有两套题。
一套是公开的Mensa Norway风格测试,网上人人能做,模型早就刷到140多分了。
另一套,是它自己攒的「离线题库」。不公开、防泄题,专门用来堵住「模型提前背过答案」的漏洞。
GPT-5.6这次拿下136分,破的正是这套最难、最防作弊的离线题。
在这份离线排行榜上,GPT-5.6的一众变体(连视觉版都算上)集体冲到136分,把身后所有对手甩开了一大截。
紧咬在后面的,是Claude-5 Fable,130分。
再往下,GPT-5.6 LUNA Max、Claude-4.8 Opus这些名字,还在117到123分之间打转。
要知道,130这道门槛之前一直没被跨过去。
过去一年里,从o3到各家旗舰,一茬又一茬的模型冲上来,全卡在130的门口,谁也没能真正踏进「天才区间」。
GPT-5.6,是第一个把门踹开的。
而且它不是单枪匹马上分,SOL、TERRA一整个家族集体飙到136,连视觉版都没掉队。
在Reddit上,一位开发者亲自下场测试,最终体感GPT-5.6明显要比GPT-5.5的智商更高。
在如下的测试题中,GPT-5.6均在最短时间内,拿下了出色的成绩。
一个分数可能难以令人信服,那么,GPT-5.6离开考场、真刀真枪干活时是什么样?
光有分不够,把GPT-5.6拉去干活
开发者Amir Bohlooli拿同一个物理模拟prompt,同时喂给Fable 5和GPT-5.6 Sol,本以为会被Fable碾压,结果反被GPT惊到。
它选了粒子流体模拟,物理按真实时间推进而非每帧盲跑固定运算,CSS、界面、渲染全塞进一个HTML文件,
还自动托管成可分享网页。一句话,一个成品。
Ramanpal Singh同样用了一句prompt,造出一个基于RAG的客服工单系统。
四种角色、管理后台、可嵌入组件,还能自动给投诉分类、识别情绪、起草回复。
这样的app它一口气造了5个,成本只有Fable 5的零头。
最有画面感的,是Claire Vo的桥段。
几天前,她卡在一个bug上,以为是自己代码写崩了,换到GPT-5.6 Sol后只甩下一句「我就是不信搞不定」。
Sol一次修好,还顺手让别的模型也跑通了。
她的评价一针见血,Fable 死磕技术上的绝对精确,反而作茧自缚,Sol的务实却把活干成了。
不得不说,AI会做题,和AI能救场,中间隔着一整个真实项目。
这算AGI吗?
有网友表示,「对99%的人来说,这已经是AGI了」。
冷静下来看,这136分,是Tracking AI一个特定的离线 / Mensa Norway风格测试跑出来的。
它测的,主要是抽象模式识别、逻辑推理这一类「标准化认知」。
问题在于:IQ测试,本来就不是为大模型量身定做的。
一张Mensa卷子,测不出一个模型的事实可靠性,测不出它的工具调用能力,也测不出它在真实职业场景里到底靠不靠谱。
它只是切下了「智能」的一个薄片,然后告诉你,这一片有多亮。
不过,人们上手后的实测,恰恰给出了另一半答案:GPT-5.6好像,正在把「会做题」和「会做事」这两件事,慢慢拧到一起。
标准化测试里的题目,模型多半在训练数据里见过千百遍;真正见功夫的,是那些它从没遇到、也无处抄答案的新问题。
谁能在那儿稳住,谁才配得上「智商」这两个字。
参考资料:
https://x.com/davidpattersonx/status/2077049232490672458
https://trackingai.org/
本文来自微信公众号“新智元”,作者:ASI启示录
