Tracking AI 的最新离线智商测试结果显示，GPT-5.6 系列模型的多个版本均取得了 136 分的成绩。这一分数首次突破了 130 分的“天才线”，意味着 GPT-5.6 的智商水平超越了全球约 99% 的人口。

在此次测试中，GPT-5.6 的表现尤为突出，其包含视觉模型在内的多个变体均达到了 136 分，远超其他竞争对手。紧随其后的是 Claude-5 Fable，得分为 130 分，而 GPT-5.6 LUNA Max 和 Claude-4.8 Opus 等模型则在 117 分至 123 分之间。此前，130 分的智商门槛一直未能被大型语言模型（LLM）跨越，GPT-5.6 成为首个突破该门槛的模型。值得注意的是，GPT-5.6 的多个版本，包括 SOL 和 TERRA 系列，均达到了这一高分，甚至其视觉版本也表现不俗。有开发者在 Reddit 上分享的测试体验也表明，GPT-5.6 在智商方面明显优于 GPT-5.5。

在实际应用方面，GPT-5.6 的表现同样令人瞩目。开发者 Amir Bohlooli 使用相同的物理模拟提示词，GPT-5.6 Sol 生成了一个包含粒子流体模拟、真实时间物理推进、CSS、界面和渲染的完整 HTML 文件，并自动托管为可分享网页。Ramanpal Singh 则利用一个提示词构建了一个基于 RAG 的客服工单系统，该系统具备四种角色、管理后台、嵌入式组件，并能自动进行投诉分类、情绪识别和回复起草，并且其开发成本远低于 Fable 5。另一位开发者 Claire Vo 曾被一个 bug 困扰，在切换到 GPT-5.6 Sol 后，该模型一次性修复了 bug，并帮助其他模型也成功运行。Vo 认为 Fable 过于追求技术上的绝对精确，而 Sol 则以务实的方式完成了任务。

对于 GPT-5.6 的表现，有网友认为这已经达到了通用人工智能（AGI）的水平。然而，需要指出的是，Tracking AI 的 136 分是基于其特定的离线 Mensa Norway 风格测试得出的，主要评估的是抽象模式识别和逻辑推理等标准化认知能力。IQ 测试并非为大型模型量身定制，它无法全面评估模型的可靠性、工具调用能力以及在真实职业场景中的表现。

尽管如此，实际的用户测试表明，GPT-5.6 正在将“会做题”和“会做事”的能力结合起来。虽然标准化测试中的题目可能在训练数据中出现过，但模型在处理全新、未见过的问题时的表现，更能体现其真正的“智商”。