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，但关于数学科目难度(nándù)的(de)讨论热度不减。

《每日经济新闻》记者(jìzhě)（以下简称“每经记者”）选取今年的全国(quánguó)新课标数学(shùxué)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(jiǎnyàn)当今主流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T1以零错误并列(bìngliè)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(dàoshǔ)第三。

本次测评(cèpíng)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“重要考试期间”为由拒绝对包含试题的(de)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，测评移除了试卷中所有需要(xūyào)分析图形(túxíng)和图表的题目，形成一份有效总分为(fēnwéi)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(de)推理模型，仍将以150分的完整(wánzhěng)试卷进行测试，旨在测试推理大模型所能达到的最高(zuìgāo)水平。

扣分标准(kòufēnbiāozhǔn)上，每经记者在选择题和填空题上都遵循(zūnxún)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，在此次测试中，每款(měikuǎn)推理大模型只进行(jìnxíng)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117分试卷测试中，DeepSeek-R1与腾讯混元T1展现出(zhǎnxiànchū)了绝对的优势，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(biǎomíng)，在代数计算和函数题等题型解答上(shàng)，其能力已经达到(dádào)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(liǎngkuǎn)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(guòchéng)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(qítā)得分超过100分的还有(yǒu)Gemini 2.5 Pro（109分）、o3（107分）、阿里千问Qwen3（106分）和(hé)豆包深度(shēndù)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(jūn)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”，排名倒数第三(dìsān)

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，那无疑是马斯克(mǎsīkè)旗下xAI公司开发的、被(bèi)马斯克称为“地表最强AI”的Grok 3。

Grok在发布之初就被市场(shìchǎng)寄予厚望，被认为是最有(yǒu)潜力挑战GPT和Gemini霸主地位的“黑马”。马斯克(mǎsīkè)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(zāoyù)了“滑铁卢(huátiělú)”。在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失分的一个独特且关键的原因：它似乎无法(wúfǎ)正确理解多选题这类(lèi)题型。

测试过程显示，即使(jíshǐ)在记者提示题目为多选题的(de)情况下，Grok 3也“顽固”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(tuīlǐ)模式，在(zài)117分试卷的测试中得分为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(dáàn)，但是往往会在最后一步出现自我怀疑导致逻辑(luójí)崩溃，陷入循环，最终功亏一篑，白白丢了很多分。

智谱清言推理模式解答过程截图(jiétú)

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

综合所有测试情况来看，在处理有固定步骤和严密(yánmì)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(chōuxiàng)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(lánsù)英 盖源源

封面图片来源(láiyuán)：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、复制及镜像等使用(shǐyòng)