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)的讨论热度(rèdù)不减。

《每日经济新闻(xīnwén)》记者（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（混元T1）、OpenAI的o3、谷歌的Gemini 2.5 Pro和xAI的Grok3等十款(shíkuǎn)AI推理大模型进行(jìnxíng)了测评，以检验当今主流AI推理大模型的数学能力。

测评(cèpíng)结果显示，国产(guóchǎn)大模型DeepSeek-R1与腾讯混元T1以零(líng)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(zài)测试中发现，部分AI推理模型(tuīlǐmóxíng)以“重要考试期间”为由拒绝对包含试题(shìtí)的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(yí)除了试卷(shìjuàn)中所有需要分析图形和图表(túbiǎo)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等没有这一限制的推理模型，仍将以150分的完整试卷进行测试(cèshì)，旨在(zhǐzài)测试推理大模型所能(néng)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(píngjuàn)的扣分标准，但对于解答题，本次测评只根据结果(jiéguǒ)计算得分，不对过程打分。

需要说明的是，在此次测试中，每款推理大模型(móxíng)只进行单次测试，得分(défēn)也仅反映单次测试的结果。

DeepSeek-R1和腾讯混元T1并列第一(bìnglièdìyī)

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(biǎomíng)，在代数计算和函数题等(děng)题型解答(jiědá)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(zhèdàotí)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(rènwéi)“2”和“-2”都满足题目条件，但陷入自我怀疑，最终只(zhǐ)给出了答案“2”。

讯(xùn)飞星火X1的推理过程

其他得分(fēn)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(hé)豆包深度思考模式（104分）。在分数占比(bǐ)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，而阿里千问Qwen3和豆包深度思考模式均拿下(náxià)满分。

Grok 3惨遭(cǎnzāo)“滑铁卢”，排名倒数第三

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

Grok在发布之初就被市场(shìchǎng)寄予厚望，被认为是最(zuì)有潜力挑战GPT和Gemini霸主地位的(de)“黑马”。马斯克多次暗示，Grok的目标是成为最强大的AI。

然而(ránér)，Grok 3此次(cǐcì)的表现可以说是(shì)遭遇了“滑铁卢”。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(qí)答卷，每经记者发现，Grok 3失分的一个独特且关键(guānjiàn)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(jiě)，导致(dǎozhì)只能得到部分分数(fēnshù)。

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

实际上，该模型在多道题目的推理过程中(zhōng)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(xúnhuán)，最终功亏一篑，白白丢了很多(hěnduō)分。

智谱清言(qīngyán)推理模式解答过程截图

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

综合(zōnghé)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(wèntí)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)

封面图片来源(láiyuán)：视觉中国

｜每日经济新闻(xīnwén) nbdnews 原创文章｜

未经许可禁止转载(zhuǎnzǎi)、摘编、复制及镜像等使用