第三方AI测评平台Tracking AI更新最新大模型离线智商榜单，GPT-5.6 Sol、Terra、全系多模态版本统一拿到136分，成为首个突破人类130分天才门槛的大语言模型。在人类智商标准中，130分以上人群仅占全球1%，这一数据让不少网友感慨AI智力已经超越99%人类。但纸面高分之外，大量开发者工程实测暴露了模型的差异化短板，同时行业专家也指出，传统人类IQ测试无法等同于通用人工智能评判标准。
一、两套测试题库：离线防作弊版含金量更高
Tracking AI提供两套独立智商测评体系，规避模型刷题背答案的漏洞：
- Mensa公开题库：参考门萨线上逻辑题，题目全网大量流传，模型训练语料大概率包含同类题型，所有主流模型均可轻松冲到140分以上，参考价值有限；
- 私有离线题库：由门萨会员独立编写，全程未公开上网，几乎不存在训练数据重合问题，本次GPT-5.6 136分、Claude Fable 5 130分均出自这套高难度离线测试。
完整离线榜单分层清晰：GPT-5.6全系列统一136分领跑；Claude Fable 5以130分紧随其后；GPT-5.6 Luna、Claude Opus 4.8等中高端模型集中在117-123分区间；过去一年多款旗舰模型均卡在130分以下，GPT-5.6是首个正式跨过天才线的产品。
二、真实工程实测：做题强，落地生产力同样亮眼
单纯测试分数说服力有限，多名海外开发者分享无预训练全新任务实测案例，验证GPT-5.6解决陌生复杂任务的能力：
- 物理流体模拟项目：单条提示词完成完整粒子流体仿真，自动生成带渲染、交互界面的完整HTML网页，可一键分享，同等需求下token消耗远低于Claude Fable 5；
- RAG客服工单系统：一次性生成多角色权限、后台管理、情绪识别、自动回复全套业务应用，批量搭建5套同类工具，综合成本仅竞品零头；
- 疑难代码修复开发者长期卡住的底层Bug，GPT-5.6一次定位并输出可运行修复方案，同时兼容其他模型运行，相比Fable过度追求极致精准、陷入逻辑内耗，GPT-5.6更务实、落地效率更高。
多名Reddit开发者反馈，对比GPT-5.5，新版模型抽象归纳、长链路规划、陌生问题拆解能力有肉眼可见提升，面对无标准答案的开放性项目容错性更强。
三、客观辨析：AI IQ高分≠实现AGI
热度之下需要理性区分概念，人类智商测试本身不适用于大模型能力判定，存在明显局限性：
- 测试维度单一Tracking AI题库仅侧重抽象图形、逻辑推导类流体智力，无法考核事实记忆准确性、长周期自主规划、现实突发应变、多模态具身操作等通用智能核心指标；
- 评判标准错位人类IQ衡量先天认知潜力，LLM高分一部分来自海量文本模式匹配，并非完全等同于自主思考；ARC等专业通用推理基准中，顶尖AI得分依旧远低于普通人；
- 场景覆盖缺失一张逻辑试卷无法衡量企业复杂业务、医疗、工业、高风险决策等真实场景可靠性，做题得分高不代表工作不出错。
业内共识：136分仅代表GPT-5.6在逻辑推理单项能力达到新高度，不能等同于通用人工智能AGI，距离自主感知、无监督持续学习、真实世界自适应还有巨大差距。
观点测评：推理能力全面升级，但单一分数不能定义模型全部价值
GPT-5.6拿下136分离线IQ纪录，是大模型逻辑推理能力发展的标志性节点。过去各大旗舰长期卡在130分关口，新版本在全新陌生逻辑题上稳定高分，说明模型归纳、拆解、长链条思考的底层能力实现质的飞跃，搭配工程落地实测的高效表现，对开发者、企业用户都是实质性利好。
但我们不能被“AI比99%人类聪明”这类流量话术带偏。人类IQ测试诞生的初衷是评估自然人认知潜力，套用到大模型本身就存在天然适配缺陷，单一榜单只能作为单项参考，不能成为评判模型综合实力的标准。Claude Fable虽IQ略低，但在代码基准、专业数学领域依旧保有优势，不同模型各有所长。
行业评判标准正在从单一跑分转向真实业务产出。比起纸面IQ数值，能否低成本完成完整业务系统、处理从未见过的突发需求、稳定可控不出错，才是企业选型的核心依据。GPT-5.6的高分证明推理赛道实现突破，但全球大模型的全面通用智能竞赛，依旧长路漫漫。
暂无评论