Sejumlah perusahaan kecerdasan buatan (AI) seperti OpenAI dan Anthropic terus berlomba merilis model terbaru dengan kemampuan yang diklaim makin canggih. Saat peluncuran, hasil benchmark kerap ditampilkan untuk menunjukkan performa model-model tersebut.
Pengujian serupa dilakukan oleh Tracking AI, sebuah platform yang menguji dan membandingkan performa berbagai model AI. Dalam salah satu pengujiannya, Tracking AI mengukur tingkat “kepintaran” model AI menggunakan tes IQ, dengan data yang kemudian divisualisasikan oleh perusahaan media independen Visual Capitalist.
Tracking AI menggunakan tes IQ Mensa Norwegia yang berisi 35 teka-teki pola visual. Pengujian dilakukan pada April 2026 dan melibatkan setidaknya 26 model AI dari berbagai perusahaan, termasuk beberapa versi model yang berbeda.
Hasilnya menunjukkan persaingan yang ketat, dengan selisih skor antarmodel yang relatif tipis. Bahkan, peringkat teratas ditempati dua model dengan skor sama: Grok-4.20 Expert Mode dan OpenAI GPT-5.4 Pro (Vision), masing-masing meraih skor 145. Visual Capitalist menyebut keduanya berada di posisi pertama. Di bawahnya, Gemini 3.1 Pro Preview mencatat skor 141.
Skor tertinggi dalam pengujian ini juga disebut meningkat dibanding pengujian tahun 2025, ketika skor tertinggi berada di angka 135.
Dalam daftar tersebut, model AI asal China juga tercatat mampu bersaing. Qwen 3.5 buatan Alibaba menjadi model asal China dengan peringkat tertinggi, berada di posisi ke-10 dengan skor 130, tepat di belakang Gemini 3.1 Pro Preview (Vision). Model lain seperti DeepSeek juga masuk dalam daftar.
Berikut daftar model AI dengan skor IQ tertinggi berdasarkan pengujian Tracking AI:
1. Grok-4.20 Expert Mode — 145
2. OpenAI GPT-5.4 Pro (Vision) — 145
3. Gemini 3.1 Pro Preview — 141
4. OpenAI GPT-5.4 Thinking (Vision) — 139
5. OpenAI GPT-5.3 — 136
6. Grok-4.20 Expert Mode (Vision) — 133
7. OpenAI GPT-5.4 Thinking — 133
8. Meta Muse Spark — 133
9. Gemini 3.1 Pro Preview (Vision) — 132
10. Qwen 3.5 — 130
11. Claude 4.6 Opus — 130
12. Kimi K2.5 — 127
13. Manus — 115
14. DeepSeek R1 — 112
15. DeepSeek V3 — 111
16. Gemini 3.1 Flash — 110
17. Llama 4 Maverick — 110
18. GPT-5.3 (Vision) — 109
19. Claude 4.6 Sonnet — 106
20. Bing Copilot — 101
21. Perplexity — 97
22. Mistral Medium 3.1 — 96
23. Claude 4.6 Sonnet (Vision) — 94
24. Claude 4.6 Opus (Vision) — 82
25. Llama 4 Maverick (Vision) — 79
26. GPT-5.4 Pro (non-vision) — 73
Tracking AI juga menjelaskan adanya perbedaan metode untuk model berbasis teks (non-vision) dan model multimodal (vision). Untuk model non-vision, soal visual diubah menjadi deskripsi verbal agar dapat diproses. Sementara itu, model vision menerima soal dalam bentuk gambar asli tanpa modifikasi.
Selain itu, Tracking AI menerapkan mekanisme khusus ketika model menolak menjawab. Pertanyaan yang sama akan diajukan kembali hingga maksimal 10 kali, dan jawaban terakhir yang digunakan untuk penilaian.
Meski demikian, hasil ini dicatat hanya sebagai pembanding dan bukan patokan pasti untuk menilai kecerdasan AI secara menyeluruh. Tes berbasis IQ disebut hanya mengukur satu aspek, yakni kemampuan penalaran pola, dan tidak mencakup aspek kemampuan lainnya.
