在人工智能领域，智商测试正成为衡量大语言模型能力的关键指标。根据最新公布的离线IQ测试成绩，OpenAI的GPT-5.6系列模型取得了136分的突破性进展，这是大语言模型首次跨越IQ 130分的“天才”门槛——在全球人类智商分布中，仅有约1%的人能达到这一水平，意味着GPT-5.6比99%的人类更聪明。这一成果背后，是更为严格的防作弊测试体系与真实场景应用的双重验证。

一、测试成绩：最难防作弊题库上的突破

Tracking AI设置了两类测试题库：

• 公开题库：基于Mensa Norway风格，模型此前已刷到140多分。
• 离线题库：不对外公开、杜绝泄题，专门防止模型提前“背答案”。

GPT-5.6此次突破的正是这套最具挑战性的离线题库，其团队中的SOL、TERRA等多个版本集体飙升至136分，连视觉版也保持同等水准。紧随其后的是Claude-5 Fable（130分），再往下的GPT-5.6 LUNA Max和Claude-4.8 Opus则在117到123分之间徘徊。过去一年里，从o3到各家旗舰模型，众多尝试冲击130分门槛的努力均告失败，GPT-5.6是第一个成功的。

小提示： IQ测试主要考察抽象模式识别和逻辑推理这类“标准化认知”能力，对于大语言模型来说，这些题型往往被优化得极为有利。但真正的挑战在于应对从未见过、无法抄袭答案的全新问题。

二、真实场景表现：会做题更会做事

智商分数只是冰山一角，开发者们将GPT-5.6投入实际工作后的反馈同样令人惊艳。

实测案例1：物理模拟网页生成

开发者Amir Bohlooli使用同一个物理模拟prompt，分别喂给Fable5和GPT-5.6 Sol。原以为会被Fable碾压，结果GPT-5.6自动选择了粒子流体模拟，物理按真实时间推进，CSS、界面、渲染全部整合进一个HTML文件，并自动托管为可分享网页——一句话生成一个成品。

实测案例2：客服工单系统快速搭建

Ramanpal Singh同样用一句prompt，基于RAG技术构建了一个完整的客服工单系统，涵盖四种角色、管理后台、自动投诉分类与情绪识别功能。一口气开发了5个应用，成本仅为Fable5的“零头”。

实测案例3：Bug修复与跨模型协作

Claire Vo的体验更为直接：她卡在一个bug上，原以为是自己的代码写崩了。切换到GPT-5.6 Sol后，只留下一句“我就是不信搞不定”，Sol一次性修复，还顺手让其他模型也能跑通。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，而Sol的务实作风真正把活干成了。

小提示： 在实际开发中，GPT-5.6的“低成本高效率”模式值得关注，特别适合快速原型验证和中小型项目。但对于涉及事实可靠性、工具调用精度或真实职业场景的任务，仍需谨慎评估其表现。

三、常见问题解答

Q1：GPT-5.6达到136分，是不是意味着它已经达到AGI（通用人工智能）水准？

有网友表示“对99%的人来说，这已经是AGI了”。但冷静来看，IQ测试主要衡量的是抽象模式识别与逻辑推理，这是专门为AI模型优化的标准化认知题型。真正的AGI需要具备事实可靠性、工具调用能力、真实职业场景的适配度等多维能力。目前GPT-5.6正在把“会做题”和“会做事”逐渐融合，但距离完全意义上的AGI仍有差距。

Q2：测试中“离线题库”和“公开题库”有什么本质区别？

公开题库因已广泛流传，模型容易提前“背答案”导致分数虚高。离线题库不对外公开且持续更新，可以有效防止模型记忆漏洞。GPT-5.6在离线题库上的136分，比公开题库的140多分更具说服力，因为它检验的是模型的真实推理与泛化能力。

Q3：GPT-5.6的实际应用成本比Claude-5低很多，是否会影响模型选型？

是的。从开发者反馈看，GPT-5.6在生成代码、构建应用等任务中展现出“低成本高效率”优势。对于预算有限或需要快速上线的项目，它是更务实的选择。但如果任务对技术细节的绝对精确要求更高，Claude-5在某些严格场景下仍有优势。

四、总结与展望

GPT-5.6在离线IQ测试中取得136分的成绩，不仅标志着大语言模型在标准化认知能力上的飞跃，更通过真实场景实测证明了“会做题”与“会做事”正趋于统一。真正见功夫的，是那些模型从未遇到过、也无处抄袭答案的全新问题——谁能在那儿稳得住，谁才配得上“智商”这两个字。未来，随着模型在事实可靠性、工具调用等维度上的持续突破，我们或许能见证AGI从“实验室概念”走向“日常工具”。