健康从“齿”开始 绵阳石马小学举办儿童口腔疾病综合干预公益活动

2025年高考大幕虽已落下，但关于数学科目难度的讨论(tǎolùn)热度(rèdù)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I卷作为考题，对DeepSeek-R1、腾讯(téngxùn)元宝（混元T1）、OpenAI的o3、谷歌的Gemini 2.5 Pro和(hé)xAI的Grok3等十款AI推理大模型进行了(le)测评，以检验当今主流(zhǔliú)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以零错误并列榜首(bǎngshǒu)。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(dàoshǔ)第三。

本次测评以(yǐ)2025年全国新课标数学I卷（总分(zǒngfēn)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(túpiàn)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(cèpíng)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(yǐ)150分的完整试卷进行测试(cèshì)，旨在测试推理大模型所能达到的最高水平。

扣分标准上，每经记者在选择题(xuǎnzétí)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(jìsuàn)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(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(de)117分试卷(shìjuàn)测试中(zhōng)，DeepSeek-R1与腾讯混元T1展现出了绝对的优势，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，在代数计算和函数题等题型解答上，其能力已经达到了极高(gāo)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，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(wèntí)，认为“2”和“-2”都满足(mǎnzú)题目条件，但陷入自我怀疑，最终只(zhǐ)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(de)还有(háiyǒu)Gemini 2.5 Pro（109分）、o3（107分）、阿里千问Qwen3（106分）和豆包深度(shēndù)思考(sīkǎo)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(páimíng)倒数第三

在本次参评的所有AI推理大模型中，如果说(rúguǒshuō)有谁的结果最令人意外，那无疑是(shì)马斯克旗下(qíxià)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(shìchǎng)寄予厚望，被认为是最有潜力挑战GPT和Gemini霸主(bàzhǔ)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(biǎoxiàn)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(dájuàn)，每经记者发现，Grok 3失分的一个(yígè)独特且关键的原因：它似乎无法正确理解多选题这类题型。

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

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

实际上，该模型在(zài)多道题目的推理过程中都找到了正确答案，但是往往会(huì)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，白白丢了很多(hěnduō)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，该模型在最后两道压轴(yāzhòu)大题上栽了大跟头，损失了大量的分数(fēnshù)。

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(dà)模型(móxíng)已经具备很强的能力。但在涉及(shèjí)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(yīng) 盖源源

封面图片(túpiàn)来源：视觉中国

｜每日经济(jīngjì)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)