一套新上线的人工智能评分体系试图以人类IQ（智商）测试的逻辑为前沿大语言模型打分，并绘制出动态的“智商分布图”。这一大胆尝试在科技界迅速引发两极分化的反应：企业技术专家视其为穿透市场迷雾的利器，而众多研究人员与评论员则痛斥其“无稽之谈”，认为单一分数将严重误导对AI能力的认知。
这套名为“AI IQ”的评分体系由创业者和天使投资人Ryan Shea创立。Shea是区块链平台Stacks的联合创始人，也曾投资过多家独角兽企业。他创建的AI IQ网站（ http://aiiq.org ）近期发布了超过50个主流语言模型的估算智商分数，并将其绘制在标准的正态分布曲线上，迅速在社交媒体上引发热议。
方法论：十二项基准、四个维度与一个争议数字
AI IQ的评分方法看似简明：它将12项业界常用基准测试归入四个推理维度——抽象推理、数学推理、编程推理和学术推理。模型的综合IQ即为这四个维度分数的算术平均值。
抽象推理 参考了以衡量通用流体智力著称的ARC-AGI-1和ARC-AGI-2基准。
数学推理 整合了FrontierMath、AIME和ProofBench。
编程推理 采用了Terminal-Bench 2.0、SWE-Bench Verified和SciCode。
学术推理 则基于Humanity's Last Exam、CritPt和GPQA Diamond。
每个原始基准分数通过“手工校准的难度曲线”映射为一个隐含的IQ值。该方法对被认为较易或易受数据污染的基准设置了天花板压缩，避免其将分数推高至100以上。对于更难的基准，则保留更高的上限。当数据缺失时，系统会保守处理，故意拉低而非抬高分数，确保“缺失覆盖不会让模型显得更好”。
数据洞察：2026年中期的AI智力版图
1. 顶端格局：前所未有的"压缩"
OpenAI GPT-5.5以约136 IQ独占鳌头，紧随其后的是：Anthropic Opus 4.7：~132 IQ（EQ维度实际领先），OpenAI GPT-5.4：~131 IQ，Google Gemini 3.1 Pro：~131 IQ，Anthropic Opus 4.6：~129 IQ
2. 中场混战：中国力量的崛起
在112-118 IQ区间，中国实验室模型形成密集集群：
Kimi K2.6（月之暗面），GLM-5（智谱），DeepSeek-V3.2，Qwen3.6（阿里），MiniMax-M2.7
核心发现：头部模型差距收窄，情商成新战场
截至2026年5月中旬的数据显示，AI IQ图表讲述了一个头部模型性能迅速收敛的故事。
据“前沿IQ随时间变化图”显示，OpenAI的GPT-5.5以接近136的估算IQ高居榜首。GPT-5.4（约131）、Anthropic的Opus 4.7（约132）以及谷歌的Gemini 3.1 Pro（约131）紧随其后，顶级模型之间的差距微乎其微。
更引入注目的是情商（EQ）分数的引入。该分数基于EQ-Bench 3和Arena Elo分数估算。在IQ对EQ的散点图上，Anthropic的Opus 4.7以接近132的EQ得分领先，成为“高IQ、高EQ”的优选象限代表。而OpenAI的GPT-5.5和GPT-5.4则在IQ上领先，但EQ稍逊。
一个有趣的方法论细节是：EQ-Bench 3本身是由Anthropic的Claude模型评判的。为修正这一潜在的“家族偏见”，AI IQ主动对Anthropic所有模型在EQ-Bench部分施加了200分的Elo惩罚。这种自我修正机制在基准测试领域颇为罕见。
企业视角：成本-性能图或成采购新工具
对于企业用户而言，网站最有实用价值的图表可能是“IQ vs. 有效成本”散点图。它将模型的估算IQ与一个考虑了Token用量效率的“有效成本”指标进行对比。
图表揭示了一个熟悉模式：最佳模型并非总是最佳价值。GPT-5.5和Opus 4.7位于高IQ、高成本的左上角。而GPT-5.4-mini、DeepSeek-V3.2等模型则占据了一个理想的中部区域：IQ分数在112至120之间，而单任务有效成本仅为1至5美元。对于首席信息官们而言，信号明确：在价值50美元的模型和3美元的模型之间的智能差距已大幅缩小，智能路由——将困难任务交给昂贵模型，简单任务交给廉价模型——已成为主流架构。
激烈批评：“分数的地图并非真实领土”
然而，对AI IQ的批评同样猛烈，且直指根本。批评者认为，将模型参差不齐的“锯齿状”能力压缩为一个分数，其误导性远大于参考价值。
科技评论员Zaya在X平台（原推特）上指出：“IQ作为代理指标正在失效……GPT-5.5在MMLU-Pro上已饱和，但在ClockBench上仍有50%的时间失败。” 这触及了AI研究中著名的“锯齿状能力”问题：模型可能在研究生级别的物理上表现出色，却在儿童能完成的任务上失败。
用户Pressureangle则批评网站“完全缺乏透明度”，未充分披露校准曲线如何创建和验证。尽管AI IQ列出了基准并展示了校准曲线形状，但原始数据和精确数学变换并未作为开放数据集发布，这引发了对可复现性的担忧。
另一种替代方案已经存在：TrackingAI项目让模型直接参加“门萨挪威IQ测试”。但评论指出，门萨式测试仅测量抽象模式识别，而AI IQ试图构建一个更广泛的复合能力指标。每种方法各有取舍，尚无定论。
评论：混乱市场中的必要简化，但需警惕数字幻觉
AI IQ的诞生背景是AI评估领域的“巴别塔”困境：超过50个前沿模型、至少14家主要提供商，每家都发布对自己有利的基准测试。学术研究早已指出，“大多数基准测试通过专注于特定领域而引入偏见”。在这种信息不对称和混乱中，企业决策者急需一个横跨提供商、维度和价格点的统一比较框架。
从这个角度看，AI IQ的价值不在于其分数的绝对精确，而在于它提供了一个必要的简化模型。它将复杂的评估问题转化为一个可交互、可视化的决策工具，尤其当它引入成本维度和情商维度时，已经超越了传统单纯的性能排名。
然而，其根本性风险在于将“地图”误认为“领土”。一个IQ数字无法捕捉AI能力的“锯齿状”本质，可能掩盖特定任务上的灾难性失败。当企业根据单一IQ分数批量替换或部署模型时，这种简化可能带来不可预见的系统性风险。正如评论员所言，随着模型在现有最难的基准上也可能饱和，这套框架将面临所有AI评估都曾遇到的天花板效应。
最终，AI IQ数据最清晰的启示或许并非哪个模型“最聪明”，而是“编排智能”本身的兴起——根据任务、价格和情商需求，动态选择并组合最合适的模型，已成为一种超越单一分数的新智能。对于这项能力，目前还没有任何基准能够衡量。