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(suī)已落下，但关于数学科目难度的讨论(tǎolùn)热度不减。

《每日经济新闻(xīnwén)》记者（以下简称“每经记者”）选取今年的全国新课标数学I卷作为考题，对DeepSeek-R1、腾讯元宝（混元T1）、OpenAI的o3、谷歌(gǔgē)的Gemini 2.5 Pro和xAI的Grok3等十款AI推理大(dà)模型(móxíng)进行了测评，以检验当今主流(zhǔliú)AI推理大模型的数学能力。

测评结果显示(jiéguǒxiǎnshì)，国产大(dà)模型DeepSeek-R1与腾讯混元(hùnyuán)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(shìtí)的图片进行识别和解答。

为了(wèile)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)和图表的(de)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(móxíng)，仍将(jiāng)以(yǐ)150分的完整试卷进行测试，旨在测试推理大模型所能达到的最高水平。

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。

需要说明的是，在(zài)此次测试中，每款(měikuǎn)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和腾讯混元(hùnyuán)T1并列第一

在排除了图形/图表题的(de)117分试卷测试中(zhōng)，DeepSeek-R1与腾讯(téngxùn)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(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(móxíng)，讯飞星火X1多错了(le)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问题，认为“2”和“-2”都满足题目(tímù)条件，但陷入自我怀疑，最终只给出了答案“2”。

讯飞星火X1的(de)推理过程

其他得分(fēn)超过100分的还有Gemini 2.5 Pro（109分）、o3（107分）、阿里千问(qiānwèn)Qwen3（106分）和豆包深度思考模式(móshì)（104分）。在(zài)分数占比最高的解答题上，Gemini 2.5 Pro和o3均(jūn)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推理大模型中，如果说有谁的结果最(zuì)令人意外，那无疑是马斯克旗下xAI公司开发(kāifā)的、被马斯克称为“地表(dìbiǎo)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(qiánlì)挑战(tiǎozhàn)GPT和Gemini霸主地位的“黑马”。马斯克多次(duōcì)暗示，Grok的目标是成为最强大的AI。

然而，Grok 3此次的表现可以说(shuō)是遭遇(zāoyù)了“滑铁卢”。在(zài)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第三。

深入分析其答卷，每经记者(jìzhě)发现，Grok 3失分的(de)一个独特且关键的原因：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(jìzhě)提示题目为多选题的(de)情况下，Grok 3也“顽固”地只给出一个它认为的最优解，导致(dǎozhì)只能得到部分分数。

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

实际上，该模型在多道题目的推理(tuīlǐ)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(xiànrù)循环(xúnhuán)，最终功亏一篑，白白丢了很多分。

智谱清言推理模式解答(jiědá)过程截图

排在最末尾的(de)是Kimi k1.5，该模型在最后两道压轴大题上栽(zāi)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逻辑的(de)数学问题上，AI推理(tuīlǐ)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(biānjí)|金冥羽 兰素英 盖源源

封面图片来源(láiyuán)：视觉中国

｜每日经济新闻 nbdnews 原创(yuánchuàng)文章｜

未经许可禁止(jìnzhǐ)转载、摘编、复制及镜像等使用