Tracking AI 最新离线 IQ 测试显示，GPT-5.6 多个版本集体拿到 136 分。这是大语言模型第一次把 IQ 成绩推过 130 分门槛。按文中给出的说法，130 分是人类智商分布中的“天才”起点，全球大约只有 1% 的人能达到这一水平。
离线题库成绩首次突破 130 分
报道提到，Tracking AI 手中有两套测试题。一套是公开的 Mensa Norway 风格测试，任何人都可以在网上作答，模型此前已在这类测试中拿到 140 多分。另一套则是 Tracking AI 自建的离线题库，不公开，也用于避免模型提前见过答案。
这次 GPT-5.6 拿到的 136 分，来自这套更强调防泄题与防“背答案”的离线测试。文中称，在这份离线排行榜上，GPT-5.6 的多个变体，包括视觉版，都达到 136 分，与其他对手拉开明显差距。
紧随其后的是 Claude-5 Fable，成绩为 130 分。再往下，GPT-5.6 LUNA Max、Claude-4.8 Opus 等模型处于 117 分到 123 分之间。报道还称，在过去一年里，从 o3 到多家公司的旗舰模型，都停留在 130 分门前，没有真正跨入这一区间，GPT-5.6 是首个完成突破的模型。
多个版本同时冲高，开发者称体感优于 GPT-5.5
文章提到，这次并非只有单一版本刷新成绩，SOL、TERRA 等一整个家族版本都达到 136 分，视觉版也没有掉队。
在 Reddit 上，一位开发者自行测试后表示，体感上 GPT-5.6 的“智商”明显高于 GPT-5.5。报道称，在所展示的测试题中，GPT-5.6 都能在较短时间内取得出色结果。
从考试到实战：物理模拟、客服系统与代码修复
除分数外，文章还列举了几名开发者在实际任务中的使用体验。
开发者 Amir Bohlooli 用同一个物理模拟 prompt 同时测试 Fable 5 和 GPT-5.6 Sol。按文中描述，他原本以为 Fable 会占优，结果被 GPT-5.6 的输出表现打动。GPT-5.6 选择了粒子流体模拟方案，物理过程按真实时间推进，而不是每帧执行固定运算；同时把 CSS、界面和渲染都写进一个 HTML 文件，并自动托管成可分享网页。
Ramanpal Singh 也使用一句 prompt，生成了一个基于 RAG 的客服工单系统。文中称，这个系统包含四种角色、管理后台和可嵌入组件，还支持自动给投诉分类、识别情绪并起草回复。按照报道说法，他一口气做了 5 个类似应用，成本只有 Fable 5 的零头。
Claire Vo 的案例则集中在代码修复。她表示，自己几天前被一个 bug 卡住，一度怀疑是代码本身出了问题，换到 GPT-5.6 Sol 后，只留下了一句“我就是不信搞不定”。报道称，Sol 一次完成修复，还顺手让别的模型也能顺利跑通。
按 Claire Vo 的评价，Fable 更倾向于追求技术上的绝对精确，结果反而受限，而 Sol 的务实风格更容易把事情做完。
136 分不等于完整智能能力
文章也提出了限制条件。有网友称，“对 99% 的人来说，这已经是 AGI 了”。但报道同时提醒，这个 136 分来自 Tracking AI 的特定离线题库与 Mensa Norway 风格测试，主要衡量的是抽象模式识别、逻辑推理等标准化认知能力。
文中指出，IQ 测试并不是为大模型专门设计的。一张 Mensa 试卷，无法衡量模型的事实可靠性、工具调用能力，也不能直接说明模型在真实职业场景中的稳定程度。它更像是从“智能”中切出一个局部，用来显示这一部分的表现。
不过，文章认为，开发者的上手实测提供了另一面信息：GPT-5.6 似乎正在把“会做题”和“会做事”逐渐结合起来。报道最后写道，标准化测试中的题目，模型可能在训练数据中见过很多次；真正更能拉开差距的，是那些没有现成答案、也无法直接照搬的新问题。
参考信息
文中列出的参考资料包括 davidpattersonx 在 X 平台发布的内容，以及 Tracking AI 官网。原文署名为微信公众号“新智元”，作者为 ASI 启示录。