AI 智商 136：九十分钟，撬动统计学二十年承重墙

2026 年 7 月 16 日，Tracking AI 发布一份离线智商测评报告——GPT-5.6 全系列多款模型测评分数飙到 136。

放到人类智商分布里看，130 是"天才线"，全球大约只有 1% 的人能过。过去一年，从 O3 到各家旗舰轮流冲，全停在 130 关口下。GPT-5.6 是第一个迈过这道槛的大模型。

136 的意思很直白：它的智力水平，超过 99% 的人类。

但单看分数说明不了全部——智商测评本来也不是给大模型量身做的。真正让统计学圈心里一动的是：GPT-5.6 走出考场之后，干的那件事。

同一道题：5.5 跑二十小时无果，5.6 九十分钟交卷

分数发布前两天，宾夕法尼亚大学沃顿商学院统计学副教授埃德加·多布里班（Edgar Dobribana）打开 ChatGPT，给 GPT-5.6 Sol Pro 抛了一道压了二十年的题。

他只喂了一份材料：Benjamini-Hochberg（BH）方法的严格数学形式化定义。

大约九十分钟后，模型返出一套完整反例构造方案。

而一个月前，同一个多布里班用 GPT-5.5 啃同一道题——多智能体并行跑了 二十多个小时，一无所获。

同一道题、同一个提问者，只隔一代版本。20 小时 → 90 分钟，不是量变，是质跳。

多布里班自己的评语："模型能力的提升真切可感，我们身处一个激动人心的时代。"

BH 方法：那道撑了十三万次引用的承重墙

先把题的分量说清。

1995 年，Benjamini 与 Hochberg 提出 BH 方法，解决"同步做成千上万次假设检验时假阳性失控"的痛点——基因组扫致病靶点、fMRI 定位几十万个体素，检验越多，误报越凶。

BH 就像一道安全阀：保证研究者宣称的"重大发现"里，错误发现率（FDR）不踩过预设线。至今这篇论文引用 超 13 万次。斯坦福统计泰斗伊曼纽尔·坎德斯（Emmanuel Candès）的判词：1950 年以来统计学领域最重要的两项成果之一。

但它头上悬了一团云。

BH 最早只在数据相互独立下被证有效，后来延伸到正相关。可现实数据哪有那么乖——基因组连锁不平衡、脑区信号联动、金融指标同涨同跌，全是"任意相关"。于是学界卡出一个问号：

在任意相关结构的双侧高斯检验下，BH 还能稳稳控住 FDR 吗？

过去二十年，包括 Benjamini 本人在内的顶尖学者反复推公式、跑仿真，多数人倾向"应该还行"。但两样东西一直缺：严谨证明，或能证伪的反例。

这道题，立了二十年。

那 0.0004 是怎么撬出来的

GPT-5.6 搭了一套特定高斯因子模型：三组变量——96% 原假设为真，4% 带信号，所有观测共享一个潜在随机因子 Z。调分块载荷，让 Z 落在一组正概率区间时，信号区块推高拒绝数的同时，原假设双侧尾部概率刚好高于理论预期。

结果：α=0.01 下，BH 实际 FDR 跑到 0.0104，严格越线。

差 0.0004，极小，但够了。反例不需要宏大，存在即可。

更关键的是，GPT-5.6 同时出了区间算术核验证明——借助 Python forest 调 Arb 数学库，全部运算用向外取界的区间算法，每条边界都确保包含精确实数解。不是浮点近似，是严格有限证明，任何人都能拉代码复现。

这不是"AI 碰巧猜中"，是 AI 交了一份可机器核验的严谨数学证明。

同周 GPT-5.6 还一小时攻下图论五十年猜想、一夜解开卡了物理学家半年的弦论题，BH 是第三发。Tracking AI 那 136 分，不是飘在空中的数。

"我本希望是人类完成的"

加州大学伯克利分校统计学家 Will Fithian 那句话被转得最多：

这个猜想是统计学领域最有意思的未解难题……GPT-5.6 解开了，但我原本希望由人类完成。

一名数学家坦言，自己和团队用 GPT-5.5 啃过好几轮，全败。学界开始冒出一种声音：理论统计学家以后的位置在哪？

对理论统计这行来说，历史像在这一刻被折了一下——人类二十年的脑力量，被压进模型九十分钟的推理里。

多布里班给了颗定心丸：本次发现现阶段主要影响理论层，BH 实务里照样能用。但"理论层"这三个字，恰恰是学科最难撼的那块。

理论是地基。地基裂一道缝，楼上不会立刻塌，但所有人都知道缝在那。

缝不宽，但新风已经进来。

136 分和 90 分钟，指向同一件事

两件事讲的是同一个真相。

GPT-5.6（2026 年 7 月 9 日发布）加了两手关键架构：

Max（最大推理强度）：给前所未有的推理时长，让模型持续推、多路试探、自校验、反复修；
Ultra 模式：默认调度四个子智能体并行协同，交叉验证。

5.5 像埋头演算的人，思考到一半被掐（开发者圈熟知的"516 截断"——5 月触发比例 53.30%，是 2 月的 484 倍）；5.6 像四名研究者从四个角度同时切同一道题，交叉校验、反复纠错，直到捉住那 0.0004。

评测侧的数也对得上：

GeneBench Pro（129 道科研难题）：GPT-5.6 Sol 开最高推理 28.7%，GPT-5.5 只有 12.0%；
Terminal Punch 2.1（编程）：Sol 标准 88.8%，开 Ultra 拉到 91.9%。

136 分是一张成绩单，90 分钟撬 BH 是实战战果——两下钉在一起，才是 GPT-5.6 相对 5.5 不是小迭代的实证。

长推理跑起来，模型侧的事也得跟上

BH 这种题能 ninety-minute 跑完，背后是 Sol 档长推理 + Ultra 四 Agent 协同 + 150 万上下文——但"单任务长耗、多轮核验、还得反复调"的科研场景，token 是真烧。同周那几发（图论、弦论）要是全走官方直连，账单先扛不住。

现在不少研究团队的做法是分层次切：GPT-5.6 Sol 主攻长推理和科研攻坚，Claude 4/5 写 Agent 循环逻辑，Gemini 扛多模态，DeepSeek 补性价比——不同环节塞不同模型，账才好看。

像 UseAIAPI 这类把 GPT-5.6、Gemini、Claude、DeepSeek 等最新主流模型聚在一起的接入服务，近期在科研和开发者圈提得越来越多：省掉逐个签约、逐个适配的麻烦；实验室或企业可以按自己节奏做定制封装，长推理、Agent 循环、多模态都能直接嵌；价格层面，官方定价 5 折起，对"单次长耗 + 多轮迭代"这类科研调用，预算比较好控。

136 分离"天才线"只差 6 分，但跨过去的是模型；让模型能安心跑满九十分钟不被账单叫停，是接入侧的事。两边都就位，"折叠历史"才折叠得起。