AI刷題強到可怕？挑戰高考數學卷，DeepSeek-R1、騰訊混元T1、Grok 3等十大模型測評來了

每經記者｜岳楚鵬  高涵    每經編輯｜金冥羽 蘭素英    

2025年高考大幕雖已落下，但關于數學科目難度的討論熱度不減。?

《每日經濟新聞》記者（以下簡稱“每經記者”）選取今年的全國新課標數學I卷作為考題，對DeepSeek-R1、騰訊元寶（混元T1）、OpenAI的o3、谷歌的Gemini 2.5 Pro和xAI的Grok3等十款AI推理大模型進行了測評，以檢驗當今主流AI推理大模型的數學能力。

測評結果顯示，國產大模型DeepSeek-R1與騰訊混元T1以零錯誤并列榜首。而被馬斯克稱為“地表最強AI”的Grok 3卻遭遇“滑鐵盧”，排名倒數第三。

本次測評以2025年全國新課標數學I卷（總分150分）作為考題。但每經記者在測試中發現，部分AI推理模型以“重要考試期間”為由拒絕對包含試題的圖片進行識別和解答。

為了讓所有參評大模型站在同一起跑線，測評移除了試卷中所有需要分析圖形和圖表的題目，形成一份有效總分為117分的標準化試卷。

同時，對于谷歌Gemini 2.5 Pro等沒有這一限制的推理模型，仍將以150分的完整試卷進行測試，旨在測試推理大模型所能達到的最高水平。

扣分標準上，每經記者在選擇題和填空題上都遵循了高考評卷的扣分標準，但對于解答題，本次測評只根據結果計算得分，不對過程打分。

需要說明的是，在此次測試中，每款推理大模型只進行單次測試，得分也僅反映單次測試的結果。

在排除了圖形/圖表題的117分試卷測試中，DeepSeek-R1與騰訊混元T1展現出了絕對的優勢，以零錯誤的完美表現，取得了117分的滿分成績，并列第一。這表明，在代數計算和函數題等題型解答上，其能力已經達到了極高的水準和穩定性。

訊飛星火X1以112分的成績緊隨其后。相較于DeepSeek-R1與騰訊混元T1這兩款大模型，訊飛星火X1多錯了一道填空題。這道題的正確答案是“±2”，而訊飛星火X1給出的答案是“2”。實際上，該模型的推理過程沒有問題，認為“2”和“-2”都滿足題目條件，但陷入自我懷疑，最終只給出了答案“2”。

訊飛星火X1的推理過程?

其他得分超過100分的還有Gemini 2.5 Pro（109分）、o3（107分）、阿里千問Qwen3（106分）和豆包深度思考模式（104分）。在分數占比最高的解答題上，Gemini 2.5 Pro和o3均有失誤，其中一道大題僅有部分正確，而阿里千問Qwen3和豆包深度思考模式均拿下滿分。?

在本次參評的所有AI推理大模型中，如果說有誰的結果最令人意外，那無疑是馬斯克旗下xAI公司開發的、被馬斯克稱為“地表最強AI”的Grok 3。?

Grok在發布之初就被市場寄予厚望，被認為是最有潛力挑戰GPT和Gemini霸主地位的“黑馬”。馬斯克多次暗示，Grok的目標是成為最強大的AI。?

然而，Grok 3此次的表現可以說是遭遇了“滑鐵盧”。在117分的試題測試中，Grok 3僅獲得91分，在10個參與測試的推理大模型中排名倒數第三。

深入分析其答卷，每經記者發現，Grok 3失分的一個獨特且關鍵的原因：它似乎無法正確理解多選題這類題型。

測試過程顯示，即使在記者提示題目為多選題的情況下，Grok 3也“頑固”地只給出一個它認為的最優解，導致只能得到部分分數。?

排名倒數第二的是智譜清言推理模式，在117分試卷的測試中得分為78分。

實際上，該模型在多道題目的推理過程中都找到了正確答案，但是往往會在最后一步出現自我懷疑導致邏輯崩潰，陷入循環，最終功虧一簣，白白丟了很多分。

智譜清言推理模式解答過程截圖

排在最末尾的是Kimi k1.5，該模型在最后兩道壓軸大題上栽了大跟頭，損失了大量的分數。?

綜合所有測試情況來看，在處理有固定步驟和嚴密邏輯的數學問題上，AI推理大模型已經具備很強的能力。但在涉及抽象和創新思維的題目上，目前的大模型還存在一定的局限性。

記者|岳楚鵬 ?高涵

編輯|金冥羽?蘭素英?蓋源源

校對|盧祥勇

封面圖片來源：視覺中國

｜每日經濟新聞 ?nbdnews? 原創文章｜

未經許可禁止轉載、摘編、復制及鏡像等使用