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(dàmù)虽已落下，但关于数学科目难度的讨论(tǎolùn)热度不减。

《每日经济新闻》记者（以下简称“每经(měijīng)记者”）选取今年的(de)全国新课标数学(shùxué)I卷(juǎn)作为考题(kǎotí)，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(cèpíng)结果显示，国产(guóchǎn)大模型DeepSeek-R1与腾讯混元T1以零错误并列榜首。而被(bèi)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发现，部分AI推理模型以“重要考试(kǎoshì)期间”为由拒绝对包含试题的(de)图片进行识别(shíbié)和解答。

为了让所有参评大模型站在同一(tóngyī)起跑线，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(fēnwéi)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分的完整试卷(shìjuàn)进行(jìnxíng)测试，旨在测试推理大模型所能(néng)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(le)高考评卷的扣分标准，但对于解答题，本次测评只根据结果计算得分，不(bù)对过程(guòchéng)打分。

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

DeepSeek-R1和腾讯混元T1并列第一(bìnglièdìyī)

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(mǎnfēn)成绩，并列第一(bìnglièdìyī)。这表明(biǎomíng)，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。

讯飞星火X1以112分的成绩紧随其后(jǐnsuíqíhòu)。相较于DeepSeek-R1与腾讯混元T1这两款大模型，讯飞星火X1多错(duōcuò)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(tímù)条件，但陷入自我怀疑，最终只(zhǐ)给出了答案“2”。

讯飞星火X1的(de)推理过程

其他得分超过100分的还有(háiyǒu)Gemini 2.5 Pro（109分）、o3（107分）、阿里(ālǐ)千问Qwen3（106分）和(hé)豆包深度思考模式（104分）。在分数占比最高(zuìgāo)的解答题上(tíshàng)，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(dàoshǔ)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(jiéguǒ)最令人意外，那无疑是马斯克旗下xAI公司(gōngsī)开发的、被马斯克称为“地表最强AI”的Grok 3。

Grok在发布之初(zhīchū)就被市场寄予厚望，被认为是(shì)(shì)最有潜力挑战GPT和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此次的表现可以说是遭遇了“滑铁卢(huátiělú)”。在117分的试题(shìtí)测试中，Grok 3仅获得91分，在10个(gè)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(dútè)且关键(guānjiàn)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，即使在记者提示题目为多选题的情况下，Grok 3也“顽固”地(dì)只给出一个它认为的最优解，导致(dǎozhì)只能得到部分(bùfèn)分数。

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

实际上，该模型在多道(dào)题目的推理过程中都找到了(le)正确答案(dáàn)，但是往往会在最后一步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

排在最末尾的是Kimi k1.5，该模型在最后两道压轴大题上栽了(le)大跟头，损失(sǔnshī)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(hé)严密逻辑(luójí)的数学问题上，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上，目前的大模型还(hái)存在一定的局限性。

记者|岳楚鹏 高涵(gāohán)

编辑|金冥羽 兰素英 盖源源(yuányuán)

封面(fēngmiàn)图片来源：视觉中国

｜每日经济新闻 nbdnews 原创(yuánchuàng)文章｜

未经许可禁止转载、摘编、复制(fùzhì)及镜像等使用