GPT-5.6 đạt IQ 136: Lần đầu tiên AI vượt ngưỡng 'thiên tài', thông minh hơn 99% nhân loại

Chứng kiến lịch sử! Hiện nay, 99% nhân loại trên toàn thế giới lại không thể so bì với một AI về mặt IQ. Trong bài kiểm tra IQ ngoại tuyến mới nhất của Tracking AI, nhiều phiên bản thuộc "hệ sinh thái" GPT-5.6 đã đồng loạt đạt mức 136 điểm.

Đây là lần đầu tiên một LLM vượt qua cột mốc IQ 130. Trong thang đo trí thông minh của con người, 130 điểm là vạch xuất phát của "thiên tài", chỉ khoảng 1% dân số toàn cầu đạt được. Nói cách khác, GPT-5.6 thông minh hơn 99% nhân loại.

GPT-5.6 bứt phá với 136 điểm, lần đầu tiên vượt qua "ngưỡng thiên tài" về IQ.

"Chỉ số thông minh" này có giá trị thực tế cao đến mức nào?

Thực tế, Tracking AI sở hữu hai bộ đề thi.

Một bộ là bài kiểm tra phong cách Mensa Norway công khai, bất kỳ ai trên mạng cũng có thể thực hiện, và các mô hình từ lâu đã đạt tới hơn 140 điểm.

Bộ còn lại là "ngân hàng đề ngoại tuyến" do chính họ tự xây dựng. Nó không công khai và được bảo mật để ngăn chặn việc lộ đề, nhằm chặn đứng lỗ hổng "mô hình đã học thuộc đáp án từ trước".

GPT-5.6 đạt 136 điểm lần này chính là nhờ vượt qua bộ đề ngoại tuyến khó nhất và chống gian lận tốt nhất này.

Trong bảng xếp hạng ngoại tuyến này, hàng loạt biến thể của GPT-5.6 (bao gồm cả phiên bản thị giác) đều đồng loạt đạt 136 điểm, bỏ xa tất cả các đối thủ phía sau.

Bám đuổi sát nút phía sau là Claude-5 Fable với 130 điểm.

Xa hơn nữa, những cái tên như GPT-5.6 LUNA Max hay Claude-4.8 Opus vẫn đang loay hoay trong khoảng từ 117 đến 123 điểm.

Cần biết rằng, ngưỡng 130 điểm trước đây chưa từng bị vượt qua.

Trong năm qua, từ o3 đến các mô hình flagship của các hãng, hết lớp này đến lớp khác lao vào thử sức nhưng đều bị chặn lại ở ngưỡng 130, chưa ai thực sự bước chân vào "vùng thiên tài".

GPT-5.6 là cái tên đầu tiên đạp đổ cánh cửa đó.

Hơn nữa, nó không đơn độc chiến đấu; cả gia đình SOL, TERRA đều đồng loạt đạt 136 điểm, ngay cả phiên bản thị giác cũng không hề tụt hậu.

Trên Reddit, một lập trình viên đã trực tiếp tham gia thử nghiệm và cảm nhận rõ rệt rằng GPT-5.6 thông minh hơn hẳn so với GPT-5.5.

Trong các bài kiểm tra dưới đây, GPT-5.6 đều đạt được kết quả xuất sắc trong thời gian ngắn nhất.

Một con số có thể khó thuyết phục, vậy khi GPT-5.6 rời khỏi phòng thi và bắt tay vào công việc thực tế thì sao?

Điểm số thôi là chưa đủ, hãy đưa GPT-5.6 vào làm việc thực tế.

Lập trình viên Amir Bohlooli đã sử dụng cùng một prompt mô phỏng vật lý để thử nghiệm đồng thời Fable 5 và GPT-5.6 Sol. Anh vốn nghĩ rằng Fable sẽ áp đảo, nhưng kết quả lại bị GPT làm cho kinh ngạc.

Nó chọn mô phỏng dòng chảy hạt, vật lý được tính toán theo thời gian thực thay vì chạy mù theo từng khung hình, đồng thời nhồi nhét CSS, giao diện và kết xuất vào một tệp HTML duy nhất, thậm chí tự động lưu trữ thành một trang web có thể chia sẻ. Chỉ trong một câu lệnh, một sản phẩm hoàn thiện đã ra đời.

Ramanpal Singh cũng dùng một câu lệnh tương tự để tạo ra một hệ thống quản lý yêu cầu hỗ trợ khách hàng dựa trên RAG.

Hệ thống bao gồm bốn vai trò, trang quản trị, các thành phần có thể nhúng, đồng thời tự động phân loại khiếu nại, nhận diện cảm xúc và soạn thảo phản hồi.

Nó tạo ra 5 ứng dụng như vậy trong một lần thực hiện, với chi phí chỉ bằng một phần nhỏ so với Fable 5.

Câu chuyện của Claire Vo là ví dụ trực quan nhất.

Vài ngày trước, cô bị kẹt ở một lỗi bug và tưởng rằng mã nguồn của mình đã hỏng, nhưng sau khi chuyển sang GPT-5.6 Sol, cô chỉ để lại một câu: "Tôi không tin là không giải quyết được".

Sol sửa lỗi trong một lần duy nhất, thậm chí còn tiện tay giúp các mô hình khác chạy được mã đó.

Đánh giá của cô rất sắc bén: Fable quá cứng nhắc trong việc theo đuổi sự chính xác kỹ thuật tuyệt đối nên tự làm khó mình, trong khi sự thực dụng của Sol lại giúp hoàn thành công việc.

Phải thừa nhận rằng, giữa việc AI biết làm bài thi và AI có thể giải quyết vấn đề thực tế là một khoảng cách của cả một dự án thực thụ.

Đây có được coi là AGI không?

Một cư dân mạng cho biết: "Đối với 99% mọi người, đây đã là AGI rồi".

Nhìn nhận một cách bình tĩnh, 136 điểm này là kết quả từ một bài kiểm tra ngoại tuyến/phong cách Mensa Norway cụ thể của Tracking AI.

Nó chủ yếu đo lường các loại "nhận thức tiêu chuẩn" như nhận diện mô hình trừu tượng và suy luận logic.

Vấn đề nằm ở chỗ: Bài kiểm tra IQ vốn dĩ không được thiết kế riêng cho các mô hình ngôn ngữ lớn.