AI刷题强到可怕？挑战高考数学卷，DeepSeek-R1、腾讯混元T1、Grok 3等十大模型测评来了

2025年高考大幕虽已落下，但关于(guānyú)数学科目(kēmù)难度的讨论热度不减。

《每日经济新闻》记者（以下简称“每经记者”）选取(xuǎnqǔ)今年(jīnnián)的全国新课标数学I卷作为考题(kǎotí)，对(duì)DeepSeek-R1、腾讯元宝（混元T1）、OpenAI的o3、谷歌的Gemini 2.5 Pro和xAI的Grok3等十款AI推理大模型(móxíng)进行了测评，以检验当今主流AI推理大模型的数学能力。

测评结果显示，国产大模型DeepSeek-R1与腾讯混元T1以零错误并列榜首。而被(bèi)马斯克称为“地表(dìbiǎo)最强AI”的Grok 3却(què)遭遇“滑铁卢”，排名倒数第三。

本次测评以2025年全国新课标数学I卷（总分150分）作为(wèi)考题。但每经记者(jìzhě)在测试中发现，部分AI推理模型(tuīlǐmóxíng)以“重要考试期间”为由拒绝对包含试题的图片进行识别和解答。

为了让所有参评大(dà)模型站在同一(tóngyī)起跑线，测评移除了试卷中所有需要分析图形和图表的(de)题目，形成一份有效总分为117分的标准化试卷。

同时，对于谷歌Gemini 2.5 Pro等没有这一限制的(de)推理模型，仍将以150分的完整试卷进行测试(cèshì)，旨在(zhǐzài)测试推理大模型所能达到的最高水平。

扣分标准上，每经记者在选择题和填空题上都遵循(zūnxún)了高考评卷的扣分标准，但对于解答(jiědá)题，本次测评(cèpíng)只根据结果计算得分，不对过程打分。

需要(xūyào)说明的是，在此次测试(cìcèshì)中，每款推理大模型只进行单次测试，得分也仅反映单次测试的结果。

DeepSeek-R1和腾讯混元T1并列第一(bìnglièdìyī)

在排除了图形/图表题的117分试卷测试中，DeepSeek-R1与腾讯混元T1展现出了绝对(juéduì)的优势，以(yǐ)零错误的完美表现，取得了117分的满分(mǎnfēn)成绩，并列第一。这表明(biǎomíng)，在代数计算和函数题等题型解答上，其能力已经达到了极高的水准和稳定性。

讯飞星火X1以112分的成绩紧随其后。相较于(yú)DeepSeek-R1与腾讯混元T1这两款(liǎngkuǎn)大模型，讯飞星火X1多错了一道填空题。这道题的正确答案是“±2”，而讯飞星火X1给出的答案是“2”。实际上，该模型的推理过程没有问题(wèntí)，认为“2”和(hé)“-2”都满足题目条件，但陷入(xiànrù)自我怀疑，最终只给出了答案“2”。

讯飞(fēi)星火X1的推理过程

其他得分超过100分的还有(háiyǒu)Gemini 2.5 Pro（109分）、o3（107分）、阿里千问Qwen3（106分）和豆包深度(shēndù)思考模式（104分）。在分数占比最高的解答题上，Gemini 2.5 Pro和o3均有失误(shīwù)，其中一道(yīdào)大题仅有部分正确，而(ér)阿里千问Qwen3和豆包深度思考模式均拿下满分。

Grok 3惨遭(cǎnzāo)“滑铁卢”，排名倒数第三

在本次参评的所有(yǒu)AI推理大模型中，如果说有谁的结果最令人意外，那无疑是马斯克(mǎsīkè)旗下(qíxià)xAI公司开发的、被马斯克称为“地表最强AI”的Grok 3。

Grok在发布之初(zhīchū)就被市场寄予厚望，被认为是最有潜力挑战GPT和Gemini霸主(bàzhǔ)地位的“黑马”。马斯克多次(duōcì)暗示，Grok的目标是成为最强大的AI。

然而，Grok 3此次(cǐcì)的表现可以说是遭遇了“滑铁卢”。在(zài)(zài)117分的试题测试中，Grok 3仅获得91分，在10个参与测试的推理大模型中排名倒数第三。

深入分析(shēnrùfēnxī)其答卷，每经记者发现，Grok 3失分的(de)一个独特且关键的原因：它似乎无法正确理解多选题这类题型。

测试过程显示，即使在(zài)记者提示题目为多选题的情况下(xià)，Grok 3也“顽固”地只给出一个它认为的最优解，导致只能得到部分(bùfèn)分数。

排名倒数第二的是(shì)智谱清言推理模式，在(zài)117分试卷的测试中得分为78分。

实际上，该模型在(zài)多道题目的推理过程中都找到了正确答案，但是(dànshì)往往会在最后一步出现自我(zìwǒ)怀疑导致逻辑崩溃，陷入循环，最终功亏一篑，白白丢了很多分。

智谱清言推理模式解答(jiědá)过程截图

排在最末尾的是Kimi k1.5，该模型在最后两道压轴大题上栽了(le)大跟头，损失(sǔnshī)了大量的分数。

综合(zōnghé)所有测试情况来看，在处理有固定步骤和严密逻辑的数学问题(wèntí)上，AI推理大模型已经具备很强的能力。但在涉及抽象和创新思维的题目上，目前的大模型还存在(cúnzài)一定的局限性。

记者(jìzhě)|岳楚鹏 高涵

编辑(biānjí)|金冥羽 兰素英 盖源源

封面(fēngmiàn)图片来源：视觉中国

｜每日经济新闻 nbdnews 原创(yuánchuàng)文章｜

未经许可禁止转载、摘编、复制及(jí)镜像等使用