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(guānyú)数学科目难度的讨论热度不减。

《每日(měirì)经济新闻》记者（以下(yǐxià)简称(jiǎnchēng)“每经记者”）选取今年(jīnnián)的(de)全国新课标数学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(jiéguǒxiǎnshì)，国产大模型DeepSeek-R1与(yǔ)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“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(měijīng)记者在(zài)测试中发现，部分(bùfèn)AI推理模型以“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在同一起跑线，测评移除了试卷中所有需要分析图形(túxíng)和图表(túbiǎo)的题目，形成(xíngchéng)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(méiyǒu)这一限制的推理模型，仍将以150分的完整试卷(shìjuàn)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，每经记者在选择题(xuǎnzétí)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(zhǐ)根据结果计算得分，不对过程打分。

需要说明的(de)是，在此次(cǐcì)测试中，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(tí)的(de)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(yōushì)，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(fēi)(fēi)星火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(shì)“±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，最终只给出了答案“2”。

讯飞星火(xīnghuǒ)X1的推理过程

其他得分(fēn)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(shīwù)，其中一道大题仅有部分(bùfèn)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(cǎnzāo)“滑铁卢”，排名倒数第三

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

Grok在发布之初就被(bèi)市场寄予厚望，被认为是最有潜力挑战GPT和Gemini霸主地位(dìwèi)的“黑马”。马斯克多次暗示，Grok的目标是成为最强大(qiángdà)的AI。

然而(ránér)，Grok 3此次的表现可以说是遭遇了(le)“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失分的一个独特且关键的原因：它似乎(sìhū)无法正确理解多选题这类(lèi)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(rènwéi)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都找到了正确答案(dáàn)，但是往往会在最后一步出现自我怀疑(huáiyí)导致逻辑崩溃(bēngkuì)，陷入循环，最终功亏一篑，白白丢了很多分。

智谱(zhìpǔ)清言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(liǎngdào)压轴大(dà)题上栽了大跟头，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(yánmì)逻辑的数学(shùxué)问题上，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(tímù)上，目前的大模型还存在一定的局限性。

记者(jìzhě)|岳楚鹏 高涵

编辑|金冥羽 兰素(lánsù)英 盖源源

封面图片来源：视觉(shìjué)中国

｜每日经济(jīngjì)新闻 nbdnews 原创文章｜

未经许可禁止转载、摘编、复制及镜像(jìngxiàng)等使用