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(yǐ)落下，但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”）选取今年的全国新课标数学I卷作为(zuòwéi)考题，对(duì)DeepSeek-R1、腾讯(téngxùn)元宝（混元T1）、OpenAI的o3、谷歌的Gemini 2.5 Pro和xAI的Grok3等十款AI推理大模型进行了测评，以检验(jiǎnyàn)当今(dāngjīn)主流AI推理大模型的数学能力。

测评(cèpíng)结果显示，国产大模型DeepSeek-R1与腾讯(téngxùn)混元T1以零错误并列榜首。而被马斯克称为(chēngwéi)“地表最强AI”的Grok 3却遭遇“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。但每经记者在(zài)测试中发现，部分AI推理模型以“重要考试期间(qījiān)”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(hé)图表的题目，形成一份有效(yǒuxiào)总分为117分的标准化试卷。

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

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

需要说明的是，在此次测试(cìcèshì)中，每款推理大模型只(zhǐ)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(hùnyuán)T1并列第一

在排除了图形/图表题的(de)117分试卷测试中，DeepSeek-R1与腾讯混元(hùnyuán)T1展现出了绝对的优势，以(yǐ)零错误的完美表现，取得了117分的满分成绩，并列第一。这表明，在代数(dàishù)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(fēn)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(mǎnzú)题目条件，但陷入自我怀疑，最终只给出了答案“2”。

讯飞星火X1的(de)推理过程

其他得分超过100分的(de)还有(yǒu)Gemini 2.5 Pro（109分）、o3（107分）、阿里千问Qwen3（106分）和豆包深度思考(sīkǎo)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，其中一道(yīdào)大题仅有部分正确，而阿里千问Qwen3和豆包深度思考模式均拿下满分(mǎnfēn)。

Grok 3惨遭“滑铁卢”，排名(páimíng)倒数第三

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

Grok在发布之初就被(bèi)市场寄予厚望，被认为是最有(yǒu)潜力挑战GPT和Gemini霸主地位的“黑马(hēimǎ)”。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(cǐcì)的表现(biǎoxiàn)可以说是遭遇(zāoyù)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第三。

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

测试过程显示(xiǎnshì)，即使在记者提示题目为多选题的情况下，Grok 3也“顽固(wángù)”地只给出一个(yígè)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(zhìpǔ)清言推理模式，在117分(fēn)试卷的测试中得分为78分。

实际上，该模型在多道(dào)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(chūxiàn)自我怀疑导致逻辑崩溃，陷入循环，最终功亏一篑，白白丢了很多分(fēn)。

智谱清言(qīngyán)推理模式解答过程截图

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

综合所有测试情况来看，在处理有固定步骤和严密逻辑的(de)(de)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一定的局限性。

记者|岳楚鹏 高涵(gāohán)

编辑|金冥羽 兰素英 盖源源(yuányuán)

封面图片来源：视觉(shìjué)中国

｜每日(měirì)经济新闻 nbdnews 原创文章｜

未经许可禁止转载、摘编、复制及镜像等(děng)使用