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年高考大幕虽已落下，但关于数学科目(kēmù)难度的讨论热度(rèdù)不减。

《每日经济新闻》记者（以下简称“每经记者”）选取今年的(de)全国新课标数学(shùxué)I卷作为考题(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(cèpíng)，以检验当今主流AI推理大模型的数学能力(nénglì)。

测评(cèpíng)结果显示，国产大模型DeepSeek-R1与腾讯混元T1以零错误并列榜首。而被马斯克称为“地表(dìbiǎo)最强AI”的Grok 3却遭遇“滑铁卢”，排名倒数第三(dìsān)。

本次测评以2025年全国新课标数学I卷（总分(zǒngfēn)(fēn)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“重要考试期间(qījiān)”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(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(tóngshí)，对于谷歌Gemini 2.5 Pro等没有这一限制的(de)推理模型，仍将以150分(fēn)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，每经记者在选择题和填空题上都(dōu)遵循了高考评卷的扣分标准，但(dàn)对于解答(jiědá)题，本次测评只根据结果计算得分，不对过程打分。

需要说明的(de)是，在此次测试中，每款推理大模型只进行单次测试，得分(défēn)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(zài)排除了图形/图表题的117分试卷测试中，DeepSeek-R1与(yǔ)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(qǔde)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(yǐjīng)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。相较于DeepSeek-R1与腾讯混元T1这两款大模型，讯飞星火X1多错了一道(yīdào)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”都满足题目条件(tiáojiàn)，但陷入自我怀疑，最终(zuìzhōng)只(zhǐ)给出了答案“2”。

讯飞星火(xīnghuǒ)X1的推理过程

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）和豆包深度(shēndù)思考模式(móshì)（104分）。在分数占比最高的解答题上，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(mǎnfēn)。

Grok 3惨遭“滑铁卢”，排名倒数第三(dìsān)

在本次参评的(de)(de)所有AI推理(tuīlǐ)大模型中，如果说有谁的结果最令人意外，那无疑是马斯克旗下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(shì)最有潜力挑战(tiǎozhàn)GPT和Gemini霸主地位的“黑马”。马斯克多次暗示(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遭遇了“滑铁卢”。在117分(fēn)的试题测试(cèshì)中，Grok 3仅获得91分，在10个参与测试的推理(tuīlǐ)大模型中排名倒数第三。

深入分析其答卷(dájuàn)，每经记者发现，Grok 3失分(shīfēn)的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，即使在记者提示题目为多选题的情况下(xià)，Grok 3也“顽固(wángù)”地只给出一个(yígè)它认为的最优解，导致只能得到部分分数。

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

实际上，该模型(móxíng)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，最终功亏一篑，白白丢了很多分(fēn)。

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，该模型在最后两道压轴(yāzhòu)大题上栽了大跟头，损失了大量的分数(fēnshù)。

综合所有(suǒyǒu)测试情况来看，在(zài)处理有固定步骤和严密逻辑的(de)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，目前的大模型还存在一定的局限性。

记者|岳楚鹏(yuèchǔpéng) 高涵

编辑|金冥羽 兰素英 盖源源(yuányuán)

封面图片来源：视觉中国(zhōngguó)

｜每日经济新闻(xīnwén) nbdnews 原创文章｜

未经许可禁止转载、摘编、复制及(jí)镜像等使用