Tracking AIの最新のオフラインIQテストにおいて、OpenAIのGPT-5.6は複数バージョンが一斉に136点を記録しました。これは大規模言語モデルが初めてIQを130を越えたものです。人間の知能分布において、130点は「天才」の基準であり、世界中で約1％の人しか到達できません。つまり、GPT-5.6は99％の人類より優れているということになります。

image.png

最も難易度が高い不正防止問題集で136点を獲得し、すべてのライバルを圧倒

Tracking AIには2つのテストがあります。一つは公開されているMensa Norway風のテストで、モデルはすでに140点以上を達成しています。もう一つは非公開で漏洩防止された「オフライン問題集」で、モデルが事前に答えを覚えることを防ぐために作られたものです。GPT-5.6が突破したのはまさにこの最も難しいオフライン問題集です。SOLやTERRAの全シリーズが一斉に136点を記録し、視覚版も遅れることなく同点となりました。その次に続くClaude-5 Fableは130点、さらに下位のGPT-5.6 LUNA MaxとClaude-4.8 Opusは117から123点の範囲で推移しています。過去1年間、o3から各社のエースモデルが次々と挑戦してきましたが、すべてが130点のドアで詰まっていたのです。GPT-5.6が初めてそのドアを開けたのです。

問題を解くだけでなく、実際の仕事でも驚きの結果を示した

得点だけでは不十分でした。開発者たちはGPT-5.6を実際に仕事をさせた実験も行われました。その結果は衝撃的でした。開発者のAmir Bohlooli氏は同じ物理シミュレーションのプロンプトをFable5とGPT-5.6 Solに与えました。Fableに負けると思っていたのですが、GPT-5.6は粒子流体シミュレーションを選択し、物理的な時間に基づいて進めていました。CSS、インターフェース、レンダリングを1つのHTMLファイルにまとめ、自動的に共有可能なウェブページとしてホスティングしました。1文で完成品を作り上げました。Ramanpal Singh氏も同じプロンプトを使ってRAGベースのカスタマーケースシステムを構築し、4つの役割、管理バックエンド、自動クレーム分類、感情認識を含み、5つのアプリケーションをFable5のコストのゼロに近いレベルで作成しました。

Claire Vo氏の体験は特に映像的でした。彼女はあるバグに遭遇し、自分のコードが破損していると考えていました。GPT-5.6 Solに切り替えると、「どうしてうまくいかないのか分からない」とつぶやいた後、Solは一度で修正し、他のモデルにも動作させました。彼女の評価は鋭く、「Fableは技術的な完全性に拘泥しすぎており、自己の限界に閉じ込められてしまいました。一方、Solは実用性を持ち、仕事を完遂しました。」