Tracking AI 最新离线 IQ 测试显示，GPT-5.6 多个版本拿到 136 分，成为首个在其离线题库中突破 130 分门槛的大模型。报道提到，Claude-5 Fable 为 130 分，其他模型多在 117 至 123 分区间。文中还援引多位开发者实测，称 GPT-5.6 在物理模拟、RAG 客服系统和代码修复等任务中表现突出，但也指出 IQ 测试只能反映标准化认知能力的一部分。

DeepMind 掌舵人、诺奖得主 Demis Hassabis 表示，通用人工智能可能只剩数年时间，其影响规模或达工业革命的 10 倍且推进速度也快 10 倍。他在《前沿AI框架与新时代的曙光》中提出，应设立类似 FINRA 的“标准机构”，对前沿模型进行分级、测试与发布前评审，初期可在模型上线前最多 30 天开展审查，必要时还可协调前沿实验室放缓研发节奏。

由中科大苏州高等研究院、新南威尔士大学等机构发布并在 ICML 2026 亮相的 AtomWorld 基准测试显示，Scaling Law 在原子级结构操作场景中的效果有限。测试覆盖 Claude、GPT、Gemini、Qwen、DeepSeek、Llama 等主流模型，结果显示模型规模扩大可改善部分规则明确任务，但在旋转、区域删除、扩超胞等依赖三维空间理解的任务上提升不稳定。研究据此提出，AI for Science 不能只依赖 Language Scaling，还需转向面向科研实操能力的 Action Scaling。

Anthropic近日发文回应Claude Code用户对“模型变笨”的争议，核心在于不少人混淆了Model与Effort两项设置。官方称，Model决定能力边界，Effort决定本次任务投入多少工作量。3月4日，Anthropic曾将Claude Code默认Effort从high下调至medium以降低延迟，4月7日又调回，并为订阅用户重置一次用量额度。官方还给出判断框架：先检查上下文，再区分问题是“不会”还是“不够努力”，再决定换模型还是调高Effort。