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(jìzhě)（以下简称“每经记者”）选取(xuǎnqǔ)今年的(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(hé)xAI的Grok3等十款AI推理大模型进行了(le)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(dà)模型DeepSeek-R1与腾讯混元T1以零错误并列(bìngliè)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(fēn)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”为由拒绝对包含试题的图片进行(jìnxíng)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(zhōng)所有需要(xūyào)分析图形和图表的(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(xiànzhì)的推理模型，仍(réng)将以150分的完整试卷进行(jìnxíng)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(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，本次测评只根据结果计算(jìsuàn)得分，不对过程打分。

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

DeepSeek-R1和腾讯(téngxùn)混元T1并列第一

在排除了图形/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，在代数计算和函数题等题型(tíxíng)解答(jiědá)上，其能力已经达到了极高的水准(shuǐzhǔn)和稳定性。

讯飞星火X1以112分的(de)成绩紧随其后。相较于DeepSeek-R1与腾讯(téngxùn)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(zhèngquè)答案(dáàn)是“±2”，而讯飞星火X1给出的答案是“2”。实际上(shíjìshàng)，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(xùn)飞星火X1的推理过程

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Qwen3（106分）和豆包深度思考模式(móshì)（104分）。在分数占比最高(zuìgāo)的解答题上，Gemini 2.5 Pro和o3均有失误，其中一道大题仅(jǐn)有部分正确(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“滑铁卢”，排名倒数(dàoshǔ)第三

在本次参评的所有AI推理大(dà)模型中，如果说有谁的结果最(zuì)令人意外，那无疑是(shì)马斯克旗下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(hé)Gemini霸主地位的“黑马”。马斯克多次(duōcì)暗示(ànshì)，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(shì)遭遇了“滑铁卢”。在117分的试题测试中，Grok 3仅获得(huòdé)91分，在10个参与(cānyù)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)且关键的原因：它似乎无法正确理解多选题这(zhè)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(jiě)，导致只能(zhǐnéng)得到部分分数。

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

实际上，该(gāi)模型在多道题目的推理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(huáiyí)导致逻辑崩溃，陷入循环(xúnhuán)，最终功亏一篑，白白丢了很多分。

智谱清言推理(tuīlǐ)模式解答过程截图

排在(zài)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，损失了大量的分数。

综合(zōnghé)所有测试情况来看，在处理有固定步骤和严密逻辑的数学问题上(shàng)，AI推理大模型已经(yǐjīng)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 高涵(gāohán)

编辑|金冥羽 兰素英(yīng) 盖源源

封面图片来源：视觉中国(zhōngguó)

｜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(jí)镜像等使用