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(dàn)关于数学科目难度的讨论(tǎolùn)热度不减。

《每日经济新闻》记者（以下简称“每经(měijīng)记者”）选取今年的全国(quánguó)新课标数学I卷作为考题，对DeepSeek-R1、腾讯元宝(yuánbǎo)（混元(hùnyuán)T1）、OpenAI的o3、谷歌的Gemini 2.5 Pro和xAI的Grok3等十款(shíkuǎn)AI推理大模型进行了测评，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T1以零错误并列榜首。而被马斯克(mǎsīkè)称为“地表最强AI”的Grok 3却遭遇(zāoyù)“滑铁卢(huátiělú)”，排名倒数第三。

本次测评以2025年(nián)全国(quánguó)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(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。

为了让所有参评大模型站(zhàn)在同一起跑线，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(yǒuxiào)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(xiànzhì)的推理模型，仍将以150分的完整试卷进行测试，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(dōu)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(gēnjù)结果计算得分，不对过程打分。

需要说明的是(shì)，在此次测试中(zhōng)，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(hé)腾讯混元T1并列第一

在排除了图形/图表题的117分(fēn)试卷测试中，DeepSeek-R1与腾讯混元T1展现出了绝对的优势，以零错误的完美(wánměi)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(hé)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(yǐ)112分的成绩紧随其后。相较于DeepSeek-R1与腾讯混元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(dáàn)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(méiyǒu)问题，认为“2”和“-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(xùn)飞星火X1的推理过程

其他得分超过100分的还有(yǒu)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(zhàn)比(bǐ)最高的解答题上，Gemini 2.5 Pro和o3均有失误，其中一道大题仅有部分正确(zhèngquè)，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(huátiělú)”，排名倒数第三

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

Grok在发布之初就(jiù)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”。马斯克多次暗示，Grok的目标是成为(chéngwéi)最强大的AI。

然而，Grok 3此次的表现(biǎoxiàn)可以说是遭遇(zāoyù)了“滑铁卢”。在117分的试题测试中(zhōng)，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，每经记者发现，Grok 3失分的一个独特且(qiě)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，即使在记者提示题目(tímù)为多选题的情况下(xià)，Grok 3也“顽固”地只给出一个它(tā)认为的最优解，导致只能得到部分分数。

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

实际上，该(gāi)模型在(zài)多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怀疑导致逻辑崩溃，陷入循环，最终功亏一篑，白白丢(diū)了很多分。

智谱清言推理模式解答过程截图(jiétú)

排在最末尾(mòwěi)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(sǔnshī)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数学问题上，AI推理大模型(móxíng)已经具备很强的能力(nénglì)。但在涉及抽象和创新思维的题目上，目前的大模型还(hái)存在一定的局限性。

记者|岳楚鹏 高涵(gāohán)

编辑(biānjí)|金冥羽 兰素英 盖源源

封面图片(túpiàn)来源：视觉中国

｜每日经济新闻 nbdnews 原创文章(wénzhāng)｜

未经许可禁止转载、摘编、复制及镜像等(děng)使用