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(suī)已落下(làxià)，但关于数学科目难度的讨论热度不减。

《每日(měirì)经济新闻》记者(jìzhě)（以(yǐ)下简称“每经记者”）选取今年的(de)全国新课标数学I卷作为考题，对DeepSeek-R1、腾讯元宝(yuánbǎo)（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。而被马斯克称为“地表最强AI”的Grok 3却遭遇“滑铁卢”，排名(páimíng)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(zhōng)发现，部分AI推理模型以“重要考试期间”为由拒绝对(duì)包含试题的图片进行识别和解答。

为了让所有参评大模型(móxíng)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(děng)没有这一(zhèyī)限制(xiànzhì)的推理模型，仍将以150分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(kòufēnbiāozhǔn)上，每经记者在选择题和填空题(tiánkòngtí)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得分，不(bù)对过程打分。

需要说明的是，在(zài)此次测试中，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和腾讯混元(hùnyuán)T1并列第一

在排除了图形/图表题的(de)117分(fēn)试卷测试中，DeepSeek-R1与腾讯混元T1展现出了绝对的优势(yōushì)，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(hánshù)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。这道题的正确答案是(shì)“±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(hé)“-2”都(dōu)满足题目条件，但陷入自我怀疑，最终(zuìzhōng)只给出了答案“2”。

讯飞星火X1的推理过程(guòchéng)

其他得分超过100分的还有Gemini 2.5 Pro（109分）、o3（107分）、阿里(ālǐ)千问Qwen3（106分）和豆包(dòubāo)深度思考模式(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(yīdào)大题仅有部分正确，而(ér)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”，排名倒数第三(dìsān)

在本次参评的(de)所有(suǒyǒu)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，被认为是最有潜力(qiánlì)挑战GPT和Gemini霸主(bàzhǔ)地位(dìwèi)的“黑马”。马斯克多次暗示，Grok的目标是成为最强大的AI。

然而，Grok 3此次的(de)表现可以说是遭遇了“滑铁卢(huátiělú)”。在(zài)117分的试题测试中，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。

深入分析其答卷，每经记者发现，Grok 3失分的(de)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(xiǎnshì)，即使在记者提示题目为多选题的(de)情况下，Grok 3也(yě)“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(dàoshǔ)第二的(de)是智谱清言推理模式，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(tuīlǐ)过程中都找到了正确答案，但是往往会在最后一步(yībù)出现自我怀疑导致逻辑崩溃，陷入循环，最终(zuìzhōng)功亏一篑，白白丢了很多分。

智谱清言推理模式解答(jiědá)过程截图

排在最末尾的是(shì)Kimi k1.5，该模型在最后两道压轴大题上栽了大跟头，损失(sǔnshī)了大量的分数。

综合所有测试情况来看，在处理有固定(gùdìng)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(nénglì)。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 盖源源(yuányuán)

封面图片(túpiàn)来源：视觉中国

｜每日(měirì)经济新闻 nbdnews 原创文章｜

未经许可禁止转载、摘编、复制及镜像等(děng)使用