GPT-5.6 IQ 测试拿到136分：真能说明它比99%人类聪明吗？

GPT‑5.6 在 Tracking AI 的一套离线图形推理测试中拿到 136 分，首次让受测大模型跨过通常被称为“高智商区间”的 130 分线。随后，“GPT‑5.6 比99%人类更聪明”的说法迅速传播。

GPT‑5.6 的 136 分是怎么测出来的？

Tracking AI 展示了两类测试。一类是公开的 Mensa Norway 风格题，题目可以在互联网上找到；另一类是由 Mensa 成员制作、没有公开放到互联网上的离线题库，目的在于降低模型从训练数据中直接“见过答案”的可能。

这次引发关注的是离线榜单。GPT‑5.6 的多个版本在该测试中达到136分，领先于同期被列入比较的其他模型。离线题库比公开题更能减少直接泄题的干扰，因此结果具有观察价值。

测试方法及每日结果可查看 Tracking AI 官方页面。

为什么说“比99%人类聪明”并不严谨？

在人类标准化 IQ 分布中，130 分通常对应很高的百分位。但把大模型得分直接映射为“比多少人更聪明”，至少存在四个问题：

离开考场，GPT‑5.6 能不能真正干活？

标准化分数只是第一层。对视频、设计和开发从业者而言，更重要的是模型能否把模糊需求转成完整交付物，能否调用工具、检查错误并在失败后继续推进。

公开体验中，有开发者让 GPT‑5.6 Sol 制作粒子流体模拟：模型处理了物理时间、界面、CSS 和渲染，并将结果组织为可以分享的单页应用。另一个案例则用一句需求生成基于 RAG 的客服工单系统，包括多种角色、管理后台、嵌入组件、投诉分类和回复草稿。

这些案例比单纯做题更接近真实 Agent 场景，但仍属于个别展示。判断模型是否适合项目，需要重复测试需求理解、代码正确率、工具调用、长任务稳定性和成本，而不是只看一次成功截图。

官方基准比 IQ 分数更完整吗？

OpenAI 官方并未用“人类 IQ”定义 GPT‑5.6，而是公布了编程、知识工作、科学、网络安全和长周期 Agent 工作流等基准。官方资料显示，GPT‑5.6 Sol 在 Agents’ Last Exam、编程 Agent 指数、Terminal‑Bench 与 DeepSWE 等评测中强调成功率、时间、Token 和成本的综合表现。

这类基准仍不能完全等同于真实生产环境，但比单一图形推理测试更接近模型的实际用途。特别是 Agent 任务，需要模型在多个步骤中保持目标、处理工具返回、发现错误并修正。

模型详情可查看 OpenAI GPT‑5.6 官方发布说明 和 GPT‑5.6 官方帮助文档；站内已整理 GPT‑5.6 与 ChatGPT Work 完整介绍。

从视频从业者角度，应该测什么？

对内容团队而言，IQ 分数几乎无法直接预测工作效果。更值得建立一套自己的业务测试：

1. 需求理解：能否准确识别交付规格、受众、时长和风格限制。
2. 素材处理：能否稳定读取文档、图片、字幕、表格与项目目录。
3. 工作流执行：能否生成脚本、批处理文件、搭建网页并验证输出。
4. 事实可靠性：遇到时效信息时是否主动检索，并区分事实、推断和观点。
5. 成本与可控性：同类任务的 Token、耗时、失败率和人工返工量是否可接受。

准备体验完整 Agent 工作流，可进入 Codex 站内工具页；日常对话与多模态任务可查看 ChatGPT 站内详情。关于 GPT‑5.6 的额度和桌面端变化，站内还有 ChatGPT Codex 改版与 Token 分析。

这算 AGI 吗？

仅凭一套 IQ 风格测试，无法得出 AGI 结论。AGI 涉及跨领域泛化、长期规划、环境适应、可靠行动和对不确定性的处理。一个模型可以在某类测试中达到高分，同时仍会产生事实错误、误解权限或在长任务中偏离目标。

更合理的判断是：GPT‑5.6 正在把“会做题”和“会使用工具完成工作”进一步结合。它距离一个完全可靠、可独立承担所有工作的通用智能仍有明显差距，但已经足以改变许多人的具体生产流程。

总结

GPT‑5.6 在 Tracking AI 离线测试中取得136分，是值得记录的推理能力信号；“比99%人类聪明”则是把特定测试百分位扩展成综合智力结论，传播效果很强，科学性不足。

对普通用户和专业团队来说，最有价值的不是争论模型有没有“天才 IQ”，而是拿自己的真实任务去测试：它能否稳定完成工作、是否减少返工、成本是否可控，以及出错时能不能被及时发现。

说明：测试成绩依据 Tracking AI 页面整理；GPT‑5.6 产品能力与官方基准依据 OpenAI 公开资料。第三方评测方法、模型版本和榜单可能持续更新。