Mesterséges intelligencia az IQ‑tesztekben: ki menne át a Mensán, és mit jelent ez?

Az elmúlt években a mesterséges intelligencia új szintre emelte a vitát arról, mennyire képesek a nyelvi modellek valóban „gondolkodni”, és hol ér véget a puszta, fejlett nyelvi mintázat‑predikció.

Miközben az AI‑értékelések jellemzően a fordításra, a szövegértésre vagy a kódgenerálásra koncentrálnak, megjelent egy új tesztelési irány, amely a modellek hagyományos analitikus és kognitív képességeit vizsgálja – vagyis azt, amit általában intelligenciának nevezünk.

A TrackingAI.org projekt teljesen új perspektívát hoz ebbe a vitába. Úgy döntöttek, hogy a nyelvi modelleket olyan feladatokon tesztelik, amelyeket hagyományosan emberi IQ‑tesztekben használnak, például a Raven‑féle progresszív mátrixokon vagy a Mensa Norway teszten.

AI‑modellek tesztelése IQ‑tesztekkel

Az IQ‑tesztek – amelyek a mintafelismerésre, a deduktív érvelésre és a struktúrák megértésére épülnek – eddig az emberi intelligencia terepei voltak. A TrackingAI platform eredményei azonban azt mutatják, hogy ezek a tesztek a mesterséges intelligenciára is alkalmazhatók, méghozzá érdekes következményekkel.

A TrackingAI két fő teszttípust használ:

1. Offline IQ‑tesztek – függetlenül létrehozott feladatok, amelyek nem szerepelnek a modellek tréningadataiban.

2. Standardizált Mensa Norway teszt, amelyet általában az emberi IQ értékelésére használnak.

Az eredmények szerint egyes modellek (pl. Gemini 2.5 Pro, Claude 3 vagy GPT‑4.5) 110 feletti IQ‑küszöböt érnek el, ami emberi mércével átlag feletti intelligenciának felelne meg.

Más modellek – köztük a korábbi Llama‑verziók vagy egyes vizuális modellek – ezzel szemben a 60–80 pontos tartományban mozognak, ami átlag alatti eredmény.

Mely AI‑modellek érik el a legmagasabb IQ‑t?

Az alábbi táblázat a kiválasztott, 2025 áprilisában tesztelt modellek aktuális eredményeit foglalja össze. Az átlagos pontszám a két tesztsorozat eredményeinek számtani átlaga:

Érdekes, hogy a nyelvi megértésben kiemelkedő teljesítményt nyújtó modellek nem mindig a legjobbak a logikai tesztekben. A multimodális architektúrák, amelyek szöveges és vizuális bemeneteket kombinálnak, még nem mutatnak stabil teljesítményt az egyes feladattípusokban.