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(kēmù)难度的讨论热度不减(bùjiǎn)。

《每日经济(jīngjì)新闻》记者（以下简称“每经记者”）选取今年(jīnnián)的全国新课标数学I卷作为考题，对(duì)DeepSeek-R1、腾讯元宝（混元T1）、OpenAI的o3、谷歌的Gemini 2.5 Pro和(hé)xAI的Grok3等十款AI推理大模型进行了测评(cèpíng)，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(zuìqiáng)AI”的Grok 3却遭遇“滑铁卢”，排名(páimíng)倒数第三。

本次测评以2025年全国(quánguó)新课标数学I卷（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(kǎoshì)期间”为由拒绝对包含试题的图片进行识别和解答。

为了让(ràng)所有(suǒyǒu)参评大模型站在同一起跑线，测评移除了试卷中所有需要分(fēn)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等没有这一限制的推理模型(móxíng)(tuīlǐmóxíng)，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(néng)达到的最高水平。

扣分标准上，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(dàn)对于解答题，本次测评只根据结果(jiéguǒ)计算得分，不(bù)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单次测试，得分也仅反映单次测试的结果(jiéguǒ)。

DeepSeek-R1和(hé)腾讯混元T1并列第一

在排除了图形/图表题的(de)117分试卷测试(cèshì)中，DeepSeek-R1与(yǔ)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，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的水准和稳定性。

讯飞星火X1以112分的(de)成绩紧随其后。相较于DeepSeek-R1与(yǔ)腾讯混元(hùnyuán)T1这两款大模型，讯飞星火X1多错了一道填空题(tiánkòngtí)。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，认为“2”和“-2”都满足题目(tímù)条件，但陷入自我怀疑，最终只给出了答案“2”。

讯飞星火(xīnghuǒ)X1的推理过程

其他得分(fēn)超过100分的还有(yǒu)Gemini 2.5 Pro（109分）、o3（107分）、阿里千问(qiānwèn)Qwen3（106分）和豆包深度思考模式(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(dàoshǔ)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，那(nà)无疑是马斯克(mǎsīkè)旗下xAI公司(gōngsī)开发的、被马斯克称为“地表最强AI”的Grok 3。

Grok在发布(fābù)之初就(jiù)被市场寄予厚望，被认为是最有潜力挑战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，Grok 3此次的表现可以说是遭遇了“滑铁卢”。在(zài)117分的试题(shìtí)测试中，Grok 3仅获得91分，在10个参与(cānyù)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(jìzhě)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题型。

测试(cèshì)过程显示，即使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(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(shì)智谱清言推理(tuīlǐ)模式，在117分试卷的测试中得分为78分。

实际上，该模型(móxíng)在(zài)多道题目的推理过程中都找到了正确答案，但是往往会在最后一步出现自我(zìwǒ)怀疑导致逻辑崩溃，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(móshì)解答过程截图

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

综合(zōnghé)所有测试(cèshì)情况来看，在处理有固定步骤和严密逻辑(luójí)的数学问题上，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(jīnmíngyǔ) 兰素英 盖源源

封面图片(túpiàn)来源：视觉中国

｜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(jìngxiàng)等使用