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(làxià)，但关于数学科目难度的讨论热度不减(bùjiǎn)。

《每日经济新闻(xīnwén)》记者（以下简称“每经记者”）选取今年的全国新课标数学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xAI的Grok3等十款(shíkuǎn)AI推理大(dà)模型(móxíng)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，国产大模型DeepSeek-R1与(yǔ)腾讯混元(hùnyuán)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”，排名倒数第三(dìsān)。

本次测评以2025年(nián)全国新课标数学I卷（总分150分）作为考题。但(dàn)每经记者在测试中发现(fāxiàn)，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(zhōng)所有需要分析图形和图表的(de)题目，形成一份有效总(zǒng)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(shìjuàn)进行测试(cèshì)，旨在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(měijīng)记者在选择题和填空题上都遵循了高考评卷的扣分标准，但对于解答题，本次测评只根据(gēnjù)结果计算得分，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(hùnyuán)T1并列第一

在排除了(le)图形/图表题的(de)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。这表明(biǎomíng)，在代数计算和函数题等题型解答上，其能力(nénglì)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(zhè)两款大(dà)模型，讯飞星火X1多错了一道(yīdào)填空题。这道题的正确(zhèngquè)答案(dáàn)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”都满足题目条件，但陷入自我怀疑，最终只给出了答案“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）和豆包深度思考模式（104分）。在分数占(zhàn)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(zhèngquè)，而阿里千问Qwen3和豆包深度思考模式均拿下满分。

Grok 3惨遭(cǎnzāo)“滑铁卢”，排名倒数第三

在本次参评的所有(suǒyǒu)AI推理大模型中，如果说有谁的结果最令人(lìngrén)意外，那无疑(wúyí)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霸主地位的(de)“黑马”。马斯克多次暗示(ànshì)，Grok的目标是成为最强大的AI。

然而，Grok 3此次的(de)表现可以(kěyǐ)说是遭遇了“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(qí)答卷(dájuàn)，每经记者发现，Grok 3失分的一个独特且关键的原因：它似乎无法正确理解多选题这类题型。

测试过程显示，即使在记者(jìzhě)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，导致只能得到部分(bùfèn)分数(fēnshù)。

排名倒数第二的(de)是智谱清言推理模式(móshì)，在117分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(wǎngwǎng)会在最后一步(yībù)出现自我怀疑导致逻辑崩溃，陷入循环，最终功亏一篑，白白丢了很多分。

智谱清言推理(tuīlǐ)模式解答过程截图

排在最末尾(mòwěi)的是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(cèshì)情况来看，在处理有固定步骤和严密(yánmì)逻辑的数学问题上，AI推理大模型已经具备很强的能力。但在涉及(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(yuèchǔpéng) 高涵

编辑|金冥羽 兰素英 盖源源(yuányuán)

封面(fēngmiàn)图片来源：视觉中国

｜每日经济新闻 nbdnews 原创文章(wénzhāng)｜

未经许可禁止(jìnzhǐ)转载、摘编、复制及镜像等使用