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(de)讨论热度不减。

《每日经济新闻》记者（以下(yǐxià)简称“每经记者”）选取今年的全国(quánguó)新课标(xīnkèbiāo)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xAI的Grok3等十款AI推理大模型(móxíng)进行了测评，以检验当今(dāngjīn)主流AI推理大模型的数学能力。

测评结果显示，国产大模型DeepSeek-R1与腾讯混元(hùnyuán)T1以(yǐ)零错误(cuòwù)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(běncì)测评以2025年(nián)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识别和解答。

为了让所有参评大模型站在同一起跑线(qǐpǎoxiàn)，测评移除了试卷中所有需要分析图形和图表的题目(tímù)，形成(xíngchéng)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，仍将以150分的完整试卷进行测试(cèshì)，旨在测试推理大模型所能(néng)达到的最高(zuìgāo)水平。

扣分标准上，每经记者在选择题(tí)和填空题上都遵循(zūnxún)了高考评卷(píngjuàn)的扣分标准，但对于解答题，本次测评只根据结果计算得分，不对过程打分。

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

DeepSeek-R1和腾讯混元T1并列第一(bìnglièdìyī)

在排除(páichú)了图形/图表题的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(líng)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)(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112分的(de)(de)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”都满足题目条件，但陷入自我(zìwǒ)怀疑，最终只给出了答案“2”。

讯飞星火X1的推理(tuīlǐ)过程

其他得分超过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(sīkǎo)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(dàtí)仅有部分(bùfèn)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

在本次参评的所有AI推理大模型中(zhōng)，如果说有谁的结果最令人意外(yìwài)，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Gemini霸主地位的(de)“黑马(hēimǎ)”。马斯克多次暗示，Grok的目标是成为最强大(qiángdà)的AI。

然而，Grok 3此次的(de)表现可以说是遭遇了“滑铁卢”。在117分的试题测试中，Grok 3仅获得(huòdé)91分，在10个参与测试的推理(tuīlǐ)大模型中排名倒数第三。

深入分析(shēnrùfēnxī)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类题型。

测试过程显示，即使在记者(jìzhě)提示题目为多选题(duōxuǎntí)的情况下，Grok 3也“顽固”地只给出一个它认为(rènwéi)的最优解，导致只能得到部分分数。

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

实际上，该模型在多道题目的推理过程中都找到了正确答案，但是往往会(huì)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)。

智谱清言(qīngyán)推理模式解答过程截图

排在最末尾的是Kimi k1.5，该(gāi)模型在最后(zuìhòu)两道压轴大题上栽了大跟头，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数学问题上，AI推理大模型(móxíng)已经具备很强的能力。但在涉及抽象和创新(chuàngxīn)思维的题目上，目前的大模型还存在一定(yídìng)的局限性。

记者(jìzhě)|岳楚鹏 高涵

编辑|金冥羽 兰素(lánsù)英 盖源源

封面图片(túpiàn)来源：视觉中国

｜每日经济新闻 nbdnews 原创文章(wénzhāng)｜

未经许可禁止转载、摘编、复制及镜像(jìngxiàng)等使用