如今，全球99%的人类在IQ测试中恐怕都要输给一个AI。在Tracking AI最新发布的离线IQ测试中，GPT-5.6“全家桶”的多个版本齐刷刷考出了136分。这是大语言模型（LLM）历史上首次突破130分这道“天才线”。在人类智商分布中，130分属于天才的起步标准，全球仅有约1%的人能达到。这意味着，GPT-5.6比99%的人类都要聪明。
这个136分到底含金量几何？Tracking AI其实有两套题。一套是公开的Mensa挪威风格测试，模型早已刷到140多分；另一套是它自建的“离线题库”，不公开且防泄题，专门用来堵住模型“提前背答案”的漏洞。GPT-5.6这次拿下的136分，正是破局这套最难、最防作弊的离线题。
在这份离线榜单上，GPT-5.6的众多变体（连视觉版都没掉队）集体飙到136分，将身后对手甩开一大截。紧咬在后的Claude-5 Fable为130分。再往后，GPT-5.6 LUNA Max、Claude-4.8 Opus等型号还在117到123分之间徘徊。要知道，130分这道门槛过去一年里一直无法被跨过，从o3到各家旗舰，一茬茬模型都卡在门口。GPT-5.6是第一个把门踹开的。
更重要的是，GPT-5.6并非单打独斗，SOL、TERRA一整个家族都飙到了136分。Reddit上一位开发者实测后表示，GPT-5.6的体感智商明显比GPT-5.5更高。
光有分数或许难以令人信服，当GPT-5.6离开考场、真正干活时表现如何？开发者Amir Bohlooli用同一个物理模拟提示词，同时喂给Fable 5和GPT-5.6 Sol。本以为会被Fable碾压，结果反被GPT惊到。它用粒子流体模拟，物理按真实时间推进而非每帧盲跑，将CSS、界面、渲染全塞进一个HTML文件，并自动托管成可分享网页，一句话就是一个成品。
Ramanpal Singh用一句提示词打造了一个基于RAG的客服工单系统，包含四种角色、管理后台、可嵌入组件，还能自动分类投诉、识别情绪、起草回复。一口气造了5个这样的App，成本只有Fable 5的零头。最令人印象深刻的是Claire Vo的经历，她卡在一个bug上，以为是代码写崩了，换成GPT-5.6 Sol后只甩下一句“我就是不信搞不定”。Sol一次修好，还顺手让别的模型也跑通了。她评价Fable死磕技术上的绝对精确反而作茧自缚，而Sol的务实却把活干成了。
不得不说，AI会做题和AI能救场之间，还隔着整个真实项目。有网友直言：“对99%的人来说，这已经是AGI了。” 冷静来看，136分是Tracking AI特定离线测试的结果，测的是抽象模式识别和逻辑推理等“标准化认知”。问题在于，IQ测试本身并非为大模型量身定制。一张Mensa卷子，测不出模型的事实可靠性，测不出它的工具调用能力，也测不出它在真实职业场景中的靠谱程度。它只是切下了“智能”的一小块切片。
不过，实际测试给出的另一半答案令人深思：GPT-5.6似乎正在把“会做题”和“会做事”这两件事慢慢拧到一起。标准化测试的题目模型多半在训练数据里见过千百遍，真正见功夫的，是那些它从未遇到、无处抄答案的新问题。谁能稳住，谁才配得上“智商”这两个字。