Preliminär rapport ·
Tre AI-modeller på 40 frågor om visuellt resonemang
En preliminär rapport om träffsäkerhet, fullständiga svar, API-latens och kostnad: en omgång med 40 frågor per modell samt separata utvecklingskontroller av resonemangsgränser och överföring.
- daterade modellversioner
- 3
- frågor per modell
- 40
- ursprunglig omgång per modell
- 1
Den ursprungliga omgången med 40 frågor
Alla modeller använde medelhögt resonemang och högst 8 192 utmatningstoken totalt, inklusive resonemang. Avbrott vid gränsen räknas som misslyckat i råpoängen.
Svep tabellen i sidled för att se alla kolumner.
| Modell | Rätt / 40 | Fel | Gränsavbrott | Giltiga / 40 | Median API-tid | API-användning (USD) |
|---|---|---|---|---|---|---|
| Gemini 4 CarbonGoogle AI Studio | 34/4085,0 % | 1 | 5 | 35/40 | 13,9 s | 0,92 US$ |
| Claude Fable 5.2Anthropic | 32/4080,0 % | 7 | 1 | 39/40 | 4,0 s | 1,76 US$ |
| GPT-6 AstraOpenAI | 37/4092,5 % | 3 | 0 | 40/40 | 3,7 s | 1,80 US$ |
Giltig betyder fullständig och i rätt format. API-tiden omfattar nätverk, kö och generering; medianen inkluderar gränsavbrott. Det extra misslyckade HTTP-försöket registreras separat. Kostnader avrundas här; filerna behåller exakta belopp.
Varför fullständiga svar spelar roll
Carbon gav ett felaktigt svar och hade fem tokenavbrott. Astra gav tre felaktiga svar utan avbrott. Skillnaden omfattar alltså olika möjligheter att slutföra trots samma nominella gräns.
Resonemang förbrukar en del av utmatningsbudgeten och kan lämna modellen utan slutsvar när den tar slut. Lika tokengränser och etiketter som ”medel” innebär inte lika beräkningsarbete hos olika leverantörer. OpenRouters dokumentation om resonemangstoken
Känslighetskontroll i efterhand
På de 34 frågor där alla modeller gav giltiga svar fick Carbon och Astra vardera 33/34, Fable 30/34. Urvalet gjordes efter att felen observerats och utesluter avbrutna frågor. Det är en känslighetskontroll, inte en opartisk ersättningsrankning eller bevis för likvärdig förmåga.
Separata utvecklingskontroller
Positionerna 24, 28, 35, 36, 38 och 40 valdes eftersom minst en modell nådde ursprungsgränsen på varje. Kontrollerna gällde slutförande, överföring, tid och kostnad. Riktigheten bedömdes inte: 6/6 giltiga svar betyder inte sex rätta svar. De ersatte inte ursprungspoängen.
Svep tabellen i sidled för att se alla kolumner.
| Profil | Utmatningsgräns | Giltiga / 6 | Gränsavbrott | Otillgängliga | API-användning (USD) |
|---|---|---|---|---|---|
| GPT-6 AstraOpenAI · högt resonemangResonemang uteslutet ur API-svaret | 32 768 | 6/6 | 0 | 0 | 1,08 US$ |
| Claude Fable 5.2Anthropic · högt resonemangResonemang uteslutet ur API-svaret | 32 768 | 6/6 | 0 | 0 | 0,80 US$ |
| Gemini 4 CarbonGoogle AI Studio · högt resonemangResonemang uteslutet ur API-svaret | 32 768 | 3/6 | 1 | 2 | 1,05 US$ |
| Gemini 4 CarbonGoogle Vertex global · högt resonemangResonemang uteslutet ur API-svaret | 65 536 | 3/6 | 0 | 3 | 0,49 US$ |
| Gemini 4 CarbonGoogle Vertex global · högt resonemangAPI-förlopp inkluderat; text kasserad lokalt | 65 536 | 6/6 | 0 | 0 | 1,42 US$ |
Den första Carbon-profilen hade också en tidigare obesvarad, odebiterad timeout vars enda återhämtningsförsök lyckades. Det misslyckade försöket finns kvar i mätningarna. Senare otillgängliga frågor behölls utan omförsök.
En fråga använde 51 145 utmatningstoken
Den sista Carbon-profilen använde Vertex, en gräns på 65 536 token och strömmade resonemangsförlopp vars text kasserades lokalt. Alla sex frågor slutfördes. En tog 10 minuter 56 sekunder, en annan 6 minuter 43 sekunder. Båda överskred den tidigare femminutersgränsen.
Det stöder en fungerande inställning för dessa utvecklingsfrågor. Det bevisar ingen universell timeoutorsak, garanterar inte framtida slutföranden och ger ingen ny träffsäkerhet på 40 frågor. Tidigare fel förblir separata.
Så genomfördes studien
- Samma uppgift, ny kontext
- En statisk bild på 1152 × 1552 per fråga med åtta numrerade alternativ. Samma engelska instruktion och strikta JSON-schema. Inga verktyg, webbläsning, ledtrådar eller facit gavs.
- Fasta alternativ och lokal rättning
- En balanserad blandning med fast slumpfrö kopplade visade nummer till ursprungsalternativen. Poängen kontrollerades lokalt mot produktionsrättaren. Inget mottaget ursprungssvar eller gränsavbrott upprepades.
- Överföringsfel förblir synliga
- Ett extra obesvarat HTTP 503-försök bekräftades vara odebiterat och upprepades identiskt. Det tog 29,516 sekunder. Utvecklingsprofiler och återhämtningar dokumenteras separat.
- Intern utforskande utvärdering
- UniversalIQTest.com driver källtestet och genomförde studien. Hashar för anrop och bilder, frågetider, rättning och kostnader kontrollerades lokalt. Extern sakkunniggranskning har inte gjorts.
Exakta modellversioner och ursprungliga leverantörer
google/gemini-4-carbon-20261110— Google AI Studioanthropic/claude-fable-5.2-20261109— Anthropicopenai/gpt-6-astra-20260903— OpenAI
Ursprungsprotokollets fingeravtryck: f4425b7fb5a235cd7c11fb84c4849c4f7df3d43064160f289b8434ec9478f59b
Vad rapporten kan fastställa
Den dokumenterar prestation på en viss offentlig frågesamling med angivna API-inställningar. Slutförande, fel, latens och kostnad behöver separata redovisningar. En enda ursprungsomgång per modell ger ingen uppskattning av variation mellan omgångar.
Offentliga frågor kan ha ingått i träningsdata; det mättes inte. Den statiska numrerade utformningen skiljer sig från det interaktiva testet för människor. Senare profiler hade andra inställningar och insamlingsvillkor och ger ingen latensrankning.
Inget mänskligt IQ eller percentil mättes eller tilldelades modellerna. Mänskliga testnormer gäller inte automatiskt AI. En upprepad fullständig utvärdering kräver en ny insamlingsplan som låsts i förväg. OECD om mänskliga tester som mått för AI
Mätningar och källhänvisning
Registrerad API-användning: 4,478100 US$ för ursprungsomgången, 4,843563 US$ för utvecklingskontroller och 0,334781 US$ för tekniska piloter. Totalt: 9,656444 US$ (avrundat 9,66 US$). Avstämt mot fakturering; avgifter och skatter exkluderas.
- Rapport (Markdown, engelska)
- Samlade resultat (JSON)
- Mätningar per fråga (JSON)
- Metoder (JSON)
- Filhashar (JSON)
Alla språk delar samma källfiler. Nedladdad rapport, diagram, JSON-fältnamn och ursprungsinstruktion är på engelska. Lösningar, privat facit, deltagardata, inloggningsuppgifter och resonemangstext utesluts. Hänvisningen nedan använder originaltiteln.
UniversalIQTest.com (2026). Three AI models on 40 visual reasoning questions: preliminary report. 14 November 2026. https://www.universaliqtest.com/ai-iq-testVanliga frågor
- Är detta AI-modellernas IQ-poäng?
- Det är råresultat på 40 frågor om visuellt resonemang. Inget mänskligt IQ eller percentil har mätts eller tilldelats. Utmatningsfel och en enda omgång hindrar en allmän intelligensrankning.
- Vad betyder ett giltigt kalibreringssvar?
- Ett fullständigt svar i krävt JSON-format. Kalibreringen rättades inte: sex giltiga betyder inte sex rätta. De ersatte inte ursprungssvaren.
- Gjorde modeller och människor samma test?
- Figurerna kom från samma offentliga test med 40 frågor. Modellerna fick statiska bilder med åtta alternativ, en fast engelsk instruktion och ny kontext. Människans interaktiva upplevelse återskapades inte. Översättningen ändrar inte experimentets språk.
- Mättes tiden för varje fråga?
- Ja, för alla 120 ursprungliga positioner. API-tid omfattar nätverk, kö, bildbehandling och generering, inte enbart tänkande eller människans aktiva svarstid. Extra misslyckade försök registreras separat.
Utforska frågeformatet eller läs om våra metoder.