AI IQ

在 AI 模型能力飞速迭代的今天，传统的榜单往往陷入“刷分”与“碎片化”的困境。AI IQ (aiiq.org) 是一个由 Stacks 联合创始人 Ryan Shea 创建的初创项目，旨在通过借用人类智商测试隐喻，为全球 50 多个最强语言模型估算“智商”，并将其绘制在标准的钟形曲线上。

尽管该方法因将复杂能力简化为单一数字而饱受争议，但其提供的跨维度对比、情商 (EQ) 评分及成本效益分析，为企业买家提供了一套前所未有的清晰决策框架。截至 2026 年 5 月，OpenAI 的 GPT-5.5 以接近 136 的估计 IQ 位居榜首，标志着顶级模型集群已进入高度压缩的“超智能”时代。

核心机制：四维推理与保守校准

1. 四大维度，12 项硬核基准

AI IQ 并非简单平均，而是将能力划分为四个关键推理维度，每个维度包含多项高难度基准：

2. 防作弊与保守校准策略

• 难度上限限制：为防止模型通过“刷题”或数据污染获得虚高分数，系统为易受污染的基准设置上限（不超过 100），仅保留更难、更纯净的基准用于冲击高分。
• 缺失数据惩罚：若模型在某些维度缺失数据，系统会故意向下拉低分数，而非忽略。模型至少需在两个维度有分数才能生成衍生 IQ，确保评估的完整性。
• 手动校准曲线：通过非线性映射，将原始基准分数转化为隐含 IQ，模拟人类智商分布的正态特性。

3. 独特的 EQ (情商) 评分

• 双源加权：结合 EQ-Bench 3 (由 Claude 评判) 与 Arena Elo (人类评判)，各占 50% 权重。
• 偏差修正：鉴于 EQ-Bench 3 由 Anthropic 模型评判可能存在偏向，AI IQ 对 Anthropic 模型在该部分的 Elo 分数施加 200 点惩罚，以实现公平对比。
• 象限分析：通过 IQ-EQ 散点图，识别出如 Opus 4.7 (高 IQ + 高 EQ) 的“全能型”选手，以及 GPT-5.5 (极高 IQ + 中等 EQ) 的“理性专家”。

市场洞察：前沿压缩与成本效益

1. 顶级集群高度压缩

• GPT-5.5：IQ ~136，位居钟形曲线顶端。
• 紧随其后：GPT-5.4, Opus 4.7/4.6, Gemini 3.1 Pro (~131)。
• 趋势：顶级模型间的差距日益缩小，“最强”的定义变得模糊，竞争焦点转向特定领域的细微优势。

2. 成本效益：企业选型的真正指南

AI IQ 最具价值的图表或许是 IQ vs. 有效成本 散点图：

• 高端区：GPT-5.5, Opus 4.7 —— 高 IQ，高成本 ($50+/任务)。
• 甜蜜点 (Sweet Spot)：GPT-5.4-mini, DeepSeek-V3.2, MiniMax-M2.7 —— IQ 112-120，成本仅需 $1-5/任务。
• 低端区：GPT-oss-20b —— IQ ~107，成本仅 $0.20/任务，适合大规模分类/提取。

结论：对于绝大多数企业应用，模型路由 (Model Routing) 已成为必然架构——将昂贵模型用于难题，廉价模型处理常规任务，以实现智能与成本的最佳平衡。

争议与批评：单一分数的局限性

尽管受欢迎，AI IQ 也面临尖锐批评：

给企业买家的建议

1. 不要只盯着最高分：GPT-5.5 虽强，但对于 80% 的日常任务，DeepSeek-V3.2 或 GPT-5.4-mini 可能更具性价比。
2. 关注 EQ 维度：若应用涉及客服、心理咨询或创意协作，高 EQ 模型（如 Opus 4.7）可能比纯高 IQ 模型表现更佳。
3. 实施动态路由：利用 AI IQ 的成本效益数据，构建智能路由层，根据任务复杂度自动分配模型，显著降低 API 账单。
4. 警惕单一指标：将 AI IQ 作为参考之一，结合具体业务场景的垂直基准测试进行最终选型。