最近，Tracking AI 公布了最新一轮离线智商测试结果，多个版本的 OpenAI GPT-5.6 全部飙升至 136 分——这是大语言模型首次突破 130 的智商门槛。在人类智力分布中，130 是“天才”的起跑线，全球大约只有 1% 的人能达到这个水平。换句话说，GPT-5.6 比 99% 的人类更聪明。
不过先别急着下结论。IQ 测试本身就有争议，尤其是针对 AI 的测试更需谨慎看待。但这次测试的特殊之处在于，它用的是最难、最防作弊的“离线题库”，所有竞品都被甩在了身后。
Tracking AI 有两套题：一套是开源的挪威门萨风格测试，之前已经有模型拿到过 140+；另一套是未公开、防泄漏的“离线题库”，专门用来堵住模型事先背答案的路径。GPT-5.6 正是在这个最难的地狱模式里杀出了重围。整个 SOL 和 TERRA 家族都拿下了 136 分，甚至连视觉版本也没有掉队。紧随其后的是 Claude-5 Fable，130 分；而 GPT-5.6 LUNA Max 和 Claude-4.8 Opus 仍然卡在 117 到 123 之间。过去一年里，从 o3 到各家旗舰模型，都在 130 这个门槛前反复碰壁，直到 GPT-5.6 第一次真正砸开了门。
高分不是终点，实测性能才是硬道理。
光会考试可不行。开发者们在真实工作场景中测试了 GPT-5.6，结果相当亮眼。开发者 Amir Bohlooli 把同一段物理模拟提示词同时喂给 Fable5 和 GPT-5.6 Sol，原本以为会被 Fable 碾压，结果 GPT-5.6 直接选择了粒子流体模拟，物理引擎实时推进。CSS、界面、渲染一股脑打包进单个 HTML 文件，自动托管成可分享的网页——一句话就生成了一款完整产品。另一位开发者 Ramanpal Singh 同样只用一条提示词就搭建了基于 RAG 的客户工单系统，包含四个角色、管理后台、自动投诉分类和情绪识别，一口气构建了五个应用，成本仅需 Fable5 的零头。
Claire Vo 的经历更加直观：她写代码卡了一个 bug，以为程序崩了。切换到 GPT-5.6 Sol 后，她只说了句“我不会被这个打败”，Sol 就把问题一次性修好了，甚至还顺手让其他模型跑得更流畅。她的评价一针见血：Fable 对技术精度的执念最终把自己困住了，而 Sol 用实用主义的手腕真正解决了问题。
回过头来看，这个 136 分确实是一个重要的里程碑，但我们需要留意两个层面：第一，离线题库的未来会不会被“反向工程”？第二，智商测试本身能否完全反映模型的通用智能？无论如何，GPT-5.6 能在最难的防作弊题中突围，至少证明了它在逻辑推理和抽象思维能力上有了质的飞跃。当 AI 的“天才”开始规模化，下一步的竞争重点或许将从“谁更聪明”转向“谁更可靠、更可控”。
