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(nándù)的讨论热度不减。

《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(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(móxíng)进行了测评，以检验当今主流AI推理大模型的数学能力。

测评结果显示，国产大(dà)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(dìsān)。

本次测评以2025年全国新课标数学I卷(juǎn)（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(jùjué)对包含试题的图片进行识别和解答。

为了让所有(suǒyǒu)参评大模型站在同一起跑线，测评移除了(chúle)试卷中所有需要分析图形和图表的题目，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(xiànzhì)的推理模型(móxíng)，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(shàng)，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，但对于解答题，本次测评只(zhǐ)根据结果计算得分，不对过程(guòchéng)打分。

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

DeepSeek-R1和(hé)腾讯混元T1并列第一

在排除了图形/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(yǐ)零错误的完美表现，取得了117分的满分成绩，并列第一(bìnglièdìyī)。这表明，在代数(dàishù)计算和函数题等题型解答上，其能力(nénglì)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(chéngjì)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多错了一道填空题。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(wèntí)，认为“2”和“-2”都满足题目条件，但陷入自我(zìwǒ)怀疑(huáiyí)，最终只给出了答案“2”。

讯飞星火X1的(de)推理过程

其他得分超过100分的(de)还有Gemini 2.5 Pro（109分）、o3（107分）、阿里千问Qwen3（106分）和(hé)(hé)豆包深度思考模式（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(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(cǎnzāo)“滑铁卢”，排名倒数第三

在本次参评的(de)所有AI推理大模型中，如果说有谁的结果最令人意外，那无疑是(shì)马斯克旗下xAI公司开发的、被(bèi)马斯克称为“地表最强AI”的Grok 3。

Grok在发布之初就(jiù)被市场寄予厚望，被认为是最(zuì)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(chéngwéi)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(zài)117分(fēn)的试题测试中，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(dìsān)。

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类(lèi)题型。

测试过程显示，即使(jíshǐ)在记者提示(tíshì)题目为多选题的(de)情况下，Grok 3也“顽固”地只给出一个它认为的最优解，导致只能得到部分分数。

排名倒数第二(dìèr)的是智谱清言推理模式(móshì)，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正确答案，但是往往(wǎngwǎng)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(báibái)丢了很多分。

智谱清言推理模式解答(jiědá)过程截图

排在最末尾的是Kimi k1.5，该模型在最后(zuìhòu)两道(liǎngdào)压轴大题上栽了大跟头，损失了大量的分数。

综合所有(yǒu)测试情况(qíngkuàng)来看，在处理有固定步骤和严密逻辑的数学问题上，AI推理大模型已经具备(jùbèi)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 盖源源(yuányuán)

封面图片来源：视觉中国(zhōngguó)

｜每日经济新闻 nbdnews 原创文章(wénzhāng)｜

未经许可禁止转载、摘编、复制及镜像等使用(shǐyòng)