在人工智能领域，智商测试正成为衡量大语言模型能力的新标尺。

最新公布的离线IQ测试结果中，OpenAI的GPT-5.6系列模型取得了136分的突破性成绩。

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设置了两种测试题库：

• 公开题库：基于Mensa Norway风格，模型早已刷到140多分。
• 离线题库：不公开、防泄题，专门防止模型提前“背答案”。

GPT-5.6此次突破的正是这套最难的离线题库。

其团队中的SOL、TERRA等多个版本集体飙到136分，连视觉版也保持同等水平。

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，一茬又一茬尝试冲过130分门槛都以失败告终，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特别有利。但真正的挑战在于应对没见过的、无法抄袭答案的新问题。

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、渲染全部塞进一个HTML文件，并自动托管成可分享网页——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技术造出了一个完整的客服工单系统，包含四种角色、管理后台、自动投诉分类和情绪识别功能。

一口气造了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的体验更直观：她卡在一个bug上，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一次性修好，还顺手让其它模型也能跑通。

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测试主要测的是抽象模式识别和逻辑推理，这是专门为AI模型优化的标准化认知题型。

真正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”慢慢拧到一起，但距离完全意义上的AGI还有差距。

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。离线题库不公开且不断更新，可以有效堵住模型记忆漏洞。

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，是那些模型从没遇到过、也无处抄答案的全新问题——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”。