从工程王国到AI+先驱：在英国布里斯托大学，让未来触手可及

2025年高考大幕(dàmù)虽已落下，但关于数学科目难度的(de)讨论热度不减。

《每日经济新闻》记者（以下简称“每经记者”）选取今年的全国(quánguó)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AI推理(tuīlǐ)大模型(móxíng)进行了测评，以检验当今(dāngjīn)主流AI推理大模型的数学能力(nénglì)。

测评结果显示，国产大模型DeepSeek-R1与腾讯混元T1以零错误(cuòwù)并列(bìngliè)榜首(bǎngshǒu)。而被马斯克称为“地表最强AI”的Grok 3却遭遇“滑铁卢”，排名倒数第三。

本次测评以2025年全国新课标(xīnkèbiāo)数学I卷（总分150分）作为考题(kǎotí)。但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(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析图形和图表的题目(tímù)，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(de)推理模型(tuīlǐmóxíng)，仍将以150分的完整(wánzhěng)试卷进行测试，旨在测试推理大模型所能达到的最高水平。

扣分标准上，每经记者在选择题(tí)和填空题上都遵循了高考评卷的(de)扣分标准，但对于解答(jiědá)题，本次测评只根据结果计算得分，不对过程打分。

需要(xūyào)说明的(de)是，在此次测试中，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。

DeepSeek-R1和腾讯混元(hùnyuán)T1并列第一

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。这(zhè)表明，在代数计算和(hé)函数题等题型解答上，其能力已经达到了极高的水准(shuǐzhǔn)和稳定性(wěndìngxìng)。

讯飞星火X1以112分的成绩紧随其后(jǐnsuíqíhòu)。相较于DeepSeek-R1与腾讯混元T1这两款大(dà)模型，讯飞星火X1多错了一道填空题。这道题的正确答案(dáàn)是“±2”，而讯飞(érxùnfēi)星火X1给出的答案是“2”。实际上，该模型的推理过程没有(méiyǒu)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”。

讯飞(fēi)星火X1的推理过程

其他得分超过100分的还有(yǒu)(háiyǒu)Gemini 2.5 Pro（109分）、o3（107分）、阿里千问Qwen3（106分）和(hé)豆包(dòubāo)深度思考模式（104分）。在分数占比最高的解答题上，Gemini 2.5 Pro和o3均有失误，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(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(jiéguǒ)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AI”的Grok 3。

Grok在发布之初就被市场寄予厚望，被认为是(shì)(shì)最有潜力挑战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(fēn)的试题测试中(zhōng)，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(shēnrùfēnxī)其答卷，每经记者发现，Grok 3失分的一个独特且关键的原因：它(tā)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(de)情况(qíngkuàng)下，Grok 3也“顽固”地只给出一个它认为的最优(zuìyōu)解，导致只能得到部分分数。

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

实际上，该(gāi)模型在多道题目的推理过程中都找到了正确(zhèngquè)答案，但是(dànshì)往往会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，白白丢了很多分。

智谱清言推理模式解答过程截图(jiétú)

排在最(zuì)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，损失了大量的分数。

综合所有测试情况来看(láikàn)，在处理有固定(gùdìng)步骤和严密逻辑的数学问题上，AI推理大模型已经具备很强(hěnqiáng)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)｜

未经许可禁止转载、摘编、复制及镜像等使用(shǐyòng)