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(dàmù)虽已落下，但(dàn)关于数学科目难度的讨论热度不减。

《每日经济新闻》记者（以下简称(jiǎnchēng)“每经记者”）选取今年的(de)全国新课标数学(shùxué)I卷作为考题，对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(cèpíng)，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(yǐ)零错误并列榜首。而被马斯克称为“地表最强AI”的Grok 3却遭遇“滑铁卢(huátiělú)”，排名(páimíng)倒数第三。

本次测评(cèpíng)以2025年全国新课标数学I卷（总分150分）作为考题。但(dàn)每经记者在测试中发现，部分(bùfèn)AI推理模型以“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(cānpíng)大模型站在(zài)同一起跑线，测评移除了(chúle)试卷中所有需要分析图形和图表的题目，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(wánzhěng)试卷进行测试，旨在测试推理大模型所能达到的最高水平(shuǐpíng)。

扣分标准(kòufēnbiāozhǔn)上，每经记者在选择题和填空题上都遵循了高考评卷的扣分标准，但(dàn)对于解答题，本次测评只(zhǐ)根据结果计算得分，不对过程打分。

需要说明的是，在此次测试中，每款推理大模型只进行单(dān)次测试，得分也仅(jǐn)反映单次测试的结果。

DeepSeek-R1和腾讯混元(hùnyuán)T1并列第一

在排除了(le)图形/图表题的117分试卷测试中，DeepSeek-R1与腾讯混元T1展现出了绝对的优势，以(yǐ)零错误的完美表现(biǎoxiàn)，取得了117分的满分成绩，并列第一。这表明，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(wěndìngxìng)。

讯飞(fēi)星火X1以112分的成绩紧随其后。相较于DeepSeek-R1与腾讯混元T1这(zhè)两款大模型，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(gěichū)的答案是“2”。实际上，该模型的推理过程没有问题，认为“2”和“-2”都(dōu)满足题目条件(tiáojiàn)，但陷入自我怀疑，最终只给出了答案“2”。

讯飞星火X1的推理过程(guòchéng)

其他得分(fēn)超过100分的还有Gemini 2.5 Pro（109分）、o3（107分）、阿里千问Qwen3（106分）和豆包(dòubāo)深度思考模式（104分）。在分数占比最高的解答题上(tíshàng)，Gemini 2.5 Pro和o3均(jūn)有失误，其中一道大题仅有部分(bùfèn)正确，而阿里千问Qwen3和豆包深度思考模式均拿下满分。

Grok 3惨遭“滑铁卢”，排名倒数(dàoshǔ)第三

在本次参评的所有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xAI公司开发(kāifā)的、被(bèi)马斯克称为“地表最强AI”的Grok 3。

Grok在发布之初就被市场寄予厚望，被认为(rènwéi)是最(zuì)有潜力挑战GPT和Gemini霸主地位(dìwèi)的“黑马”。马斯克多次暗示，Grok的目标是成为最强大的AI。

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

深入分析其答卷，每经(měijīng)记者发现，Grok 3失分的一个独特且(qiě)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(xiǎnshì)，即使在记者(jìzhě)提示(tíshì)题目为多选题的情况下，Grok 3也“顽固”地只给出一个它认为的最优解，导致只能得到部分分数。

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

实际上，该模型在多(duō)道题目的推理过程中都找到了正确答案，但是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(gōngkuīyīkuì)，白白丢了很多分。

智谱清言推理模式解答过程(guòchéng)截图

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

综合所有测试情况来看，在处理有固定(gùdìng)步骤和严密(yánmì)逻辑的数学问题上，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(mùqián)的大模型还存在一定的局限性。

记者|岳楚鹏(yuèchǔpéng) 高涵

编辑|金冥羽 兰素(lánsù)英 盖源源

封面(fēngmiàn)图片来源：视觉中国

｜每日经济(jīngjì)新闻 nbdnews 原创文章｜

未经许可(wèijīngxǔkě)禁止转载、摘编、复制及镜像等使用