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(dàmù)虽已落下，但关于数学科目难度的讨论热度(rèdù)不减。

《每日经济新闻》记者（以下(yǐxià)简称“每经记者”）选取(xuǎnqǔ)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(hé)xAI的Grok3等十款AI推理大模型进行了测评，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(yǐ)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(páimíng)倒数第三(dìsān)。

本次测评以2025年全国(quánguó)新课标数学I卷（总分(fēn)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进行识别和(hé)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(hé)图表的题目，形成(xíngchéng)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(zhèyī)限制的(de)推理模型(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达到的最高水平。

扣分标准(kòufēnbiāozhǔn)上，每经记者在(zài)选择题和(hé)填空题上都遵循了高考评卷的扣分标准，但对于解答题，本次测评只根据结果计算得分，不对过程打分。

需要说明的是，在此次测试(cèshì)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和腾讯混元T1并列第一(bìnglièdìyī)

在排除了图形/图表题的117分试卷(shìjuàn)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(děng)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(le)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(shíjìshàng)，该模型的推理过程(guòchéng)没有问题，认为“2”和“-2”都(dōu)满足题目条件，但陷入(xiànrù)自我怀疑，最终只给出了答案“2”。

讯(xùn)飞星火X1的推理过程

其他得分超过100分的还有(yǒu)Gemini 2.5 Pro（109分）、o3（107分）、阿里(ālǐ)千问Qwen3（106分）和豆包深度(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均有失误(shīwù)，其中一道大题仅(jǐn)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(cǎnzāo)“滑铁卢”，排名倒数第三

在本次参评的所有AI推理(tuīlǐ)大模型中，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、被马斯克称为“地表最强(zuìqiáng)AI”的Grok 3。

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

然而，Grok 3此次的表现可以说是(shì)遭遇了“滑铁卢”。在117分的试题测试(cèshì)中，Grok 3仅获得91分，在10个参与测试的推理大模型(móxíng)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(de)一个独特且关键的原因：它似乎(sìhū)无法正确理解多选题这类题型。

测试过程显示(xiǎnshì)，即使在记者提示题目(tímù)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(zhǐnéng)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，该模型在多道(dào)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怀疑导致逻辑崩溃(bēngkuì)，陷入循环，最终功亏一篑，白白丢了很多(hěnduō)分。

智谱清言推理(tuīlǐ)模式解答过程截图

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

综合所有测试情况来看，在处理有固定步骤和严密逻辑的(de)数学问题上，AI推理(tuīlǐ)大模型已经(yǐjīng)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(jìzhě)|岳楚鹏 高涵

编辑|金冥羽 兰素(lánsù)英 盖源源

封面(fēngmiàn)图片来源：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(fùzhì)及镜像等使用