> 一个AI在IQ测试上碾压99%的人类，听起来很炸裂。但真正让开发者们兴奋的，不是分数------是它干活时的表现。
136分，LLM第一次跨过天才门槛
7月15日，Tracking AI发布了最新离线IQ测试结果：GPT-5.6全家桶------Sol、Terra、Luna、视觉版------齐刷刷拿下136分。这是大语言模型第一次把IQ推过130这道"天才线"。
在这之前，从GPT-o3到各家旗舰，一茬又一茬模型前赴后继，全被卡在130的门口。Claude-5 Fable这次拿了130分刚好擦边，而GPT-5.6的分数比它多出整整6分。排在后面的GPT-5.6 Luna Max和Claude-4.8 Opus还在117到123分区间挣扎。在人类智商的分布曲线里，130分以上的人口只占约1%。
离线题库：一套不怕"泄题"的考卷
Tracking AI手里有两套题。一套是公开的Mensa Norway风格测试，模型早就刷到140多分了。另一套是私有的"离线题库"------不公开、防泄题，专门堵住"模型背过答案"的漏洞。GPT-5.6这次破纪录的136分，考的正是这套最难、最防作弊的题。
这套题测的主要是抽象模式识别和逻辑推理------也就是"流体智力"（Fluid Intelligence），而不是靠海量记忆堆积出来的"晶体智力"。但问题在于：IQ测试，从来不是为大模型量身定做的。 一张Mensa卷子能测出模式匹配能力，测不出事实可靠性、工具调用水平，也测不出在真实职业场景里到底能不能干活。
但对开发者来说，跑分从来不等于好用。来看看它离开考场后的真本事。
走出考场：GPT-5.6真实干活什么样？
开发者Amir Bohlooli拿同一个物理模拟prompt，同时丢给Claude Fable 5和GPT-5.6 Sol。他本以为会被Fable碾压------结果GPT直接回了一个粒子流体模拟。物理按真实时间推进，CSS、界面、渲染全塞进一个HTML文件，还自动托管成可分享网页。一句话，一个成品。
Ramanpal Singh用一句prompt造出了一个基于RAG的客服工单系统：四种角色、管理后台、可嵌入组件，自动分类投诉、识别情绪、起草回复。这样的App他一次性造了5个，成本只有Fable 5的零头。
最有画面感的是Claire Vo的经历。她卡在一个bug上好几天，以为是自己的代码有问题。换到GPT-5.6 Sol后只甩了一句"我就是不信搞不定"------模型一次修好，还顺手让其他模型也跑通了。她的评价很到位：Fable死磕技术上的绝对精确，反而作茧自缚；Sol的务实却把活干成了。
跑分焦虑，该停了
过去两年，AI行业陷入了一种奇怪的军备竞赛。每次新模型发布，大家第一时间打开的就是跑分榜------MMLU、HumanEval、GSM8K，这些基准的名字比自家亲戚还熟。
但GPT-5.6这个案例恰好说明了一个反直觉的事实：跑分最高的模型，不一定是最好用的模型。 Claude Fable 5在很多基准上仍然领先，但开发者们上手后普遍反映GPT-5.6 Sol在某些实际编程任务上的体验更好------不是因为它每一项分数更高，而是因为它更"务实"，会选择最直接、最快能把活干完的方式。
这对国内开发者尤其值得思考。Kimi K2.6、DeepSeek R2这些国产模型在纸上已经能跟国际一线掰手腕，但在"上手干活"这个维度上，差距到底在哪儿？跑分之外，工程落地、工具链、生态------这些才是决定一个模型能不能被开发者真正用起来的关键。
这算AGI吗？
Reddit上有人说："对99%的人来说，这已经是AGI了。"
冷静下来看，136分确实是个里程碑。但AGI的定义从来不是"比大多数人类聪明"。AGI意味着跨领域的通用能力、长期记忆与规划、自主学习与适应新任务------任何一个单独的IQ测试都测不出来。
GPT-5.6真正让人兴奋的，不是它拿了136分，而是它正在把"会做题"和"会做事"慢慢拧到一起。标准化测试里的题目模型多半在训练数据里见过千百遍；真正见功夫的，是那些它从没遇到、也无处抄答案的新问题。谁能在那儿稳住，谁才配得上"智商"这两个字。
*数据来源：Tracking AI、X/Twitter开发者实测反馈。文中所用图片来源于网络，仅供技术学习与交流。*