在最新一轮由Tracking AI组织的离线智商测评中，OpenAI旗下GPT-5.6系列模型以136分的成绩突破人类认知能力评估的天花板。这项采用非公开题库的测试专门针对模型记忆漏洞设计，要求参与者无法通过预先训练数据获取答案。此次测评中，GPT-5.6家族全系模型集体达到136分，包括视觉增强版本，而同期参测的Claude-5 Fable仅获得130分，其他主流模型得分均未突破123分。
测试机构特别强调，此次使用的"离线题库"包含大量动态生成的逻辑谜题，题目结构随测试进程自动调整，有效杜绝了模型通过数据泄露提前获取答案的可能性。过去十二个月内，包括o3在内的多个旗舰模型均在此类测试中卡在130分门槛，GPT-5.6成为首个实现突破的认知架构。值得关注的是，该模型在传统门萨风格测试中早已达到140分以上，此次在更严苛环境下的表现进一步验证了其推理能力的稳定性。
实际应用场景中的表现印证了测评结果。开发者Amir Bohlooli在物理模拟任务中发现，当输入相同提示词时，GPT-5.6 Sol自动选择粒子流体动力学模型，将物理引擎与可视化界面集成在单个HTML文件中，并生成可直接分享的网页链接。相比之下，得分130的Claude-5 Fable仅完成了基础计算模块。另一位开发者Ramanpal Singh用单条提示构建的客服系统，不仅包含多角色权限管理，还实现了投诉自动分类与情绪分析，开发成本仅为同类系统的1/5。
技术社区的实地测试提供了更生动的案例。开发者Claire Vo在调试复杂代码时，GPT-5.6 Sol不仅精准定位了隐藏的逻辑错误，还同步生成了针对其他模型的修复方案。这种跨平台问题解决能力，与其在标准化测试中展现的抽象推理优势形成互补。有从业者指出，该模型在处理未见过的技术难题时，展现出超越传统精确性追求的实用主义特征，这种能力在真实工程环境中具有特殊价值。
尽管136分的成绩引发"通用人工智能已至"的讨论，但专家提醒需理性看待测评局限性。现有测试主要衡量模式识别与逻辑演绎等标准化认知维度，无法全面评估事实核查准确性、工具链调用效率及职业场景适应性。不过，GPT-5.6在陌生问题域的稳定表现，特别是将解题能力转化为实际成果的转化效率，正在重新定义人工智能"智力"的评估标准。这种从理论推理到实践应用的跨越，或许比单纯分数提升更具技术里程碑意义。
