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(téngxùn)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(dāngjīn)主流AI推理大模型的数学能力。

测评结果显示(jiéguǒxiǎnshì)，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(zuìqiáng)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(tuīlǐmóxíng)以“重要考试(kǎoshì)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(dà)模型(móxíng)站在同一起跑线，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(jiāng)以150分的完整试卷进行测试(cèshì)，旨在测试推理大模型所(suǒ)能达到的最高水平。

扣分标准(kòufēnbiāozhǔn)上，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(duìyú)解答题，本次测评只(zhǐ)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(cìcèshì)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(le)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(yōushì)，以(yǐ)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解答上，其能力已经(yǐjīng)达到了极高的水准和稳定性。

讯飞(fēi)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(móxíng)，讯飞星火X1多错了(le)一道填空题。这道题的正确答案是“±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(dàn)陷入自我(zìwǒ)怀疑，最终只给出了答案“2”。

讯飞(fēi)星火X1的推理过程

其他得分(défēn)超过100分的还有Gemini 2.5 Pro（109分）、o3（107分）、阿里千问Qwen3（106分）和(hé)(hé)豆包(dòubāo)深度思考模式（104分）。在分数占比最高的解答(jiědá)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。

Grok 3惨遭“滑铁卢(huátiělú)”，排名倒数第三

在(zài)本次(běncì)参评的所有AI推理大模型中，如果说有谁的结果最令人意外，那(nà)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(jìyǔhòuwàng)，被认为是最有潜力挑战GPT和(hé)Gemini霸主地位的“黑马”。马斯克多次暗示，Grok的目标(mùbiāo)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(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失分的一个独特且关键的原因：它似乎无法正确理解(zhèngquèlǐjiě)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”地只给出一个它认为的最优解，导致(dǎozhì)只能得到部分(bùfèn)分数(fēnshù)。

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

实际上，该(gāi)模型在(zài)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导致逻辑崩溃，陷入循环，最终功亏一篑，白白丢(diū)了很多分。

智谱清言推理(tuīlǐ)模式解答过程截图

排在最(zuì)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。

综合所有测试情况来看(láikàn)，在处理有固定(gùdìng)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思维的题目上，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|金冥羽 兰素英(yīng) 盖源源

封面图片来源：视觉(shìjué)中国

｜每日(měirì)经济新闻 nbdnews 原创文章｜

未经许可禁止(jìnzhǐ)转载、摘编、复制及镜像等使用