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“每经记者”）选取今年(jīnnián)的全国新课标数学I卷(juǎn)作为(zuòwéi)考题，对DeepSeek-R1、腾讯元宝（混元T1）、OpenAI的o3、谷歌(gǔgē)的Gemini 2.5 Pro和xAI的Grok3等十款AI推理(tuīlǐ)大模型进行了测评，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(hùnyuán)T1以零错误并列(bìngliè)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）作为考题。但每经记者在测试中发现，部分AI推理模型以“重要(zhòngyào)考试期间”为由拒绝对包含试题的图片进行(jìnxíng)识别和解答(jiědá)。

为了让所有(suǒyǒu)参评大模型站在同一起跑线，测评(cèpíng)移除了试卷中所有需要(xūyào)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(děng)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。

扣分标准上，每经记者(jìzhě)在选择题(tí)和填空题上都遵循了高考评卷的扣分标准，但对于解答题，本次测评只根据结果计算(jìsuàn)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，得分也仅反映(fǎnyìng)单次测试的结果。

DeepSeek-R1和腾讯混元T1并列第一(bìnglièdìyī)

在(zài)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(zhǎnxiànchū)了绝对的优势，以零错误的完美表现(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。

讯飞星火(xīnghuǒ)X1以112分的(de)成绩紧随其后。相较于DeepSeek-R1与腾讯(téngxùn)混元T1这两款大模型，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”都满足题目条件，但陷入自我怀疑，最终(zuìzhōng)只(zhǐ)给出了答案“2”。

讯飞星火X1的(de)推理过程

其他得分超过100分的还有Gemini 2.5 Pro（109分）、o3（107分）、阿里千问Qwen3（106分）和豆包深度(shēndù)思考模式（104分）。在分数(fēnshù)占(zhàn)比最高的解答题上，Gemini 2.5 Pro和o3均(jūn)有失误，其中一道大题仅有部分正确，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(rúguǒshuō)有谁的结果最令人意外，那(nà)无疑是马斯克旗下xAI公司开发的、被马斯克称为“地表最强AI”的Grok 3。

Grok在发布(fābù)之初就被(bèi)市场寄予厚望，被认为是最有潜力挑战GPT和Gemini霸主地位的(de)“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(de)表现可以说是遭遇了“滑铁卢”。在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(dàoshǔ)第三(dìsān)。

深入分析其答卷(dájuàn)，每经记者发现，Grok 3失分的一个独特且关键的原因：它似乎(sìhū)无法正确理解多选题这类题型。

测试过程(guòchéng)显示，即使在记者(jìzhě)提示题目为多选题的情况下，Grok 3也“顽固”地(dì)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(móshì)，在117分试卷的测试中得分为(fēnwéi)78分。

实际上，该模型在多道题目的推理过程(guòchéng)中都找到了正确答案，但是往往会在最后一步(yībù)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过程截图(jiétú)

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

综合所有测试情况来看，在处理有固定步骤和严密逻辑的数学问题上，AI推理大模型已经(yǐjīng)具备很强的能力。但在涉及(shèjí)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(biānjí)|金冥羽 兰素英 盖源源

封面图片来源：视觉(shìjué)中国

｜每日经济新闻(xīnwén) nbdnews 原创文章｜

未经许可禁止转载、摘编(zhāibiān)、复制及镜像等使用