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(gāokǎo)大幕虽(suī)已落下，但关于数学科目难度的讨论热度不减。

《每日经济(jīngjì)新闻》记者（以下简称“每经记者”）选取今年的(de)全国新课标数学I卷作为考题，对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(děng)十款AI推理大模型进行了测评(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(jiéguǒxiǎnshì)，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(zuìqiáng)AI”的Grok 3却遭遇“滑铁卢”，排名倒数第三。

本次测评以(yǐ)2025年全国新课标(xīnkèbiāo)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“重要考试期间”为由拒绝(jùjué)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(móxíng)站在同一起跑线，测评移除了试卷中所有需要(xūyào)分析图形和(hé)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等没有这一限制的推理模型，仍将以150分(fēn)的完整试卷进行测试(cèshì)，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遵循了高考评卷的扣分标准，但对于解答题，本次测评(cèpíng)只(zhǐ)根据结果计算得分，不对过程打分(dǎfēn)。

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

DeepSeek-R1和腾讯(téngxùn)混元T1并列第一

在排除了图形(túxíng)/图表题的117分试卷测试(cèshì)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，在代数计算和函数(hánshù)题等题型解答上，其能力已经达到了极高的水准(shuǐzhǔn)和稳定性。

讯(xùn)飞星火X1以112分的成绩紧随其后。相较于DeepSeek-R1与腾讯混元T1这两款大模型，讯飞星火X1多错了一道(yīdào)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(zìwǒ)怀疑，最终只(zhǐ)给出了答案“2”。

讯飞星火X1的(de)推理过程

其他得分(fēn)超过100分的(de)还有(háiyǒu)Gemini 2.5 Pro（109分）、o3（107分）、阿里千问Qwen3（106分）和(hé)(hé)豆包深度思考模式（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”，排名倒数第三(dìsān)

在本次参评的所有AI推理大模型(móxíng)中，如果说有谁的结果最令人意外，那无疑(wúyí)是马斯克(mǎsīkè)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，被认为是最有潜力挑战GPT和Gemini霸主地位(dìwèi)的(de)“黑马”。马斯克多次暗示，Grok的目标是成为最强大(qiángdà)的AI。

然而，Grok 3此次的(de)表现可以说是遭遇了“滑铁卢”。在(zài)117分的试题测试(cèshì)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，每经记者发现(fāxiàn)，Grok 3失分的一个独特且关键的原因：它(tā)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为多选题的(de)情况下，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(dédào)部分分数。

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

实际上，该模型在多道题目的推理过程中都找到(zhǎodào)了正确答案，但是往往(wǎngwǎng)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。

智谱清言推理模式解答过程(guòchéng)截图

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

综合所有(suǒyǒu)测试情况来看，在处理有固定步骤和严密逻辑的(de)数学问题上，AI推理大(dà)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(yuèchǔpéng) 高涵

编辑(biānjí)|金冥羽 兰素英 盖源源

封面(fēngmiàn)图片来源：视觉中国

｜每日(měirì)经济新闻 nbdnews 原创文章｜

未经许可禁止转载、摘编、复制(fùzhì)及镜像等使用