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。