Tracking AI 的最新离线智商测试显示，GPT-5.6 的多个版本均达到了 136 分，这一分数首次超越了 130 分的“天才”门槛。这意味着 GPT-5.6 的智商水平超过了全球 99% 的人口。

此前，LLM 模型在智商测试中未能突破 130 分。这一分数在人类智商分布中代表着天才水平，仅有约 1% 的人能达到。GPT-5.6 的表现，意味着其智商已超越绝大多数人类。

Tracking AI 拥有两套测试题：一套是公开的 Mensa Norway 风格测试，另一套是其自行开发的、不公开的离线题库，用于防止模型提前记忆答案。GPT-5.6 在后者中取得了 136 分的成绩，显示了其在防作弊环境下的高智商表现。

在离线排行榜上，GPT-5.6 的多个变体（包括视觉版本）以 136 分位居榜首，远超其他竞争对手。紧随其后的是 Claude-5 Fable，得分 130 分。GPT-5.6 LUNA Max 和 Claude-4.8 Opus 等模型得分在 117 至 123 分之间。

过去一年中，多家公司的旗舰模型都未能突破 130 分的瓶颈。GPT-5.6 是首个成功跨越这一界限的模型，并且其家族的多个版本（如 SOL、TERRA）均达到了该分数，连视觉版本也表现出色。开发者 Amir Bohlooli 在 Reddit 上分享的测试结果也表明，GPT-5.6 的智商水平明显高于 GPT-5.5。

在实际应用中，GPT-5.6 也展现了其强大的能力。Amir Bohlooli 使用相同的物理模拟 prompt，GPT-5.6 Sol 完成了一个包含粒子流体模拟、实时物理推进、CSS 和界面设计，并自动托管为可分享网页的成品。Ramanpal Singh 则利用一个 prompt 构建了一个基于 RAG 的客服工单系统，具备多角色、管理后台、可嵌入组件等功能，并且成本远低于 Fable 5。Claire Vo 分享的经历也显示，GPT-5.6 Sol 能够一次性修复复杂的 bug，并帮助其他模型也解决该问题。她认为 Fable 在追求技术绝对精确时陷入僵局，而 Sol 的务实方法则更有效。

对于 GPT-5.6 的表现，有网友认为这已经达到了普通人眼中的 AGI（通用人工智能）。然而，也有观点指出，136 分是在 Tracking AI 的特定离线测试中获得的，主要衡量的是抽象模式识别和逻辑推理能力。IQ 测试本身并非为大模型量身定制，无法全面评估模型的事实可靠性、工具调用能力以及在真实职业场景中的表现。

尽管如此，用户在实际使用中的体验似乎印证了 GPT-5.6 在“会做题”和“会做事”之间取得了平衡。虽然标准化测试题目可能在训练数据中出现过，但模型在面对全新、无处可寻答案的问题时能否保持稳定表现，才是真正体现其“智商”的关键。