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(yǐ)落下，但关于数学科目难度的讨论热度(rèdù)不减。

《每日经济新闻》记者(jìzhě)(jìzhě)（以下简称“每经记者”）选取今年的(de)(de)全国新课标(xīnkèbiāo)数学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(guóchǎn)大模型(móxíng)DeepSeek-R1与腾讯(téngxùn)混元T1以零错误并列榜首。而被马斯克称为“地表最强AI”的Grok 3却遭遇“滑铁卢”，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(zhōng)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(túpiàn)进行识别和解答。

为了让所有参评大模型站在同一起跑线(qǐpǎoxiàn)，测评移除了试卷中所有需要分析图形和图表的题目，形成一份有效(yǒuxiào)总分为117分的标准化(biāozhǔnhuà)试卷。

同时，对于谷歌Gemini 2.5 Pro等(děng)没有这一限制的推理模型，仍将以150分(fēn)的完整试卷进行测试，旨在测试推理大模型所(suǒ)能达到的最高水平。

扣分标准上(shàng)，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(duìyú)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，在此次测试中，每款(měikuǎn)推理大模型只进行(jìnxíng)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(de)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(hé)函数题等题型解答上，其能力已经达到(dádào)了极高的水准和稳定性。

讯(xùn)飞星火(xīnghuǒ)X1以112分的(de)成绩紧随其后。相较(xiāngjiào)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(tiáojiàn)，但陷入自我怀疑，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(chāoguò)100分的还有Gemini 2.5 Pro（109分）、o3（107分）、阿里千问Qwen3（106分）和(hé)(hé)豆包(dòubāo)深度思考模式（104分）。在分数(fēnshù)占比最高的解答题上，Gemini 2.5 Pro和o3均有失误，其中一道大题仅有部分正确，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(páimíng)倒数第三

在本次(běncì)参评的所有(suǒyǒu)AI推理大模型中(zhōng)，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在发布之初就被市场寄予厚望，被认为(rènwéi)是最有(yǒu)潜力挑战GPT和(hé)Gemini霸主地位的“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(cǐcì)的表现(biǎoxiàn)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。

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

测试过程显示，即使(jíshǐ)在记者提示题目为多选题的情况(qíngkuàng)下，Grok 3也“顽固”地只给出(gěichū)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(de)是智谱清言推理模式，在117分(fēn)试卷的测试中得分为78分。

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

智谱清言推理模式(móshì)解答过程截图

排在最末尾的是Kimi k1.5，该模型在最后(zuìhòu)两道压轴大题上栽了(le)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数学问题上，AI推理大模型(móxíng)已经具备很强的能力。但在涉及(shèjí)抽象和创新思维的题目上，目前的大模型还存在(cúnzài)一定的局限性。

记者|岳楚鹏(yuèchǔpéng) 高涵

编辑|金冥羽 兰素英 盖(gài)源源

封面图片(túpiàn)来源：视觉中国

｜每日经济新闻(xīnwén) nbdnews 原创文章｜

未经许可禁止转载(zhuǎnzǎi)、摘编、复制及镜像等使用