十大推理模型挑战2025年高考数学题：DeepSeek-R1、腾讯混元T1并列第一，马斯克的Grok 3遭遇“滑铁卢”

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》记者(jìzhě)（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、腾讯混元T1、OpenAI的o3、谷歌(gǔgē)的Gemini 2.5 Pro和xAI的Grok3等(děng)十款AI推理(tuīlǐ)大模型进行了测评，以检验(jiǎnyàn)当今主流AI推理大模型的数学能力。

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

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，部分AI推理模型以“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(suǒyǒu)(suǒyǒu)参评大模型站(zhàn)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，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(de)推理模型，仍将以150分(fēn)的完整试卷进行测试，旨在测试推理大模型所(suǒ)能达到的最高水平。

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的扣分标准，但对于解答(jiědá)题，本次测评只根据结果计算得分，不(bù)对过程打分。

需要说明(shuōmíng)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。

DeepSeek-R1和(hé)腾讯混元T1并列第一

在排除了图形/图表题的117分(fēn)试卷测试中，DeepSeek-R1与腾讯(téngxùn)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，其能力已经达到了极(jí)高的水准和稳定性。

讯飞星火X1以112分的成绩(chéngjì)紧随其后。相较(xiāngjiào)于(yú)DeepSeek-R1与腾讯混元T1这两款大模型，讯飞星火X1多错了一道填空题。这道题的正确答案是“±2”，而讯飞星火X1给出(gěichū)的答案是“2”。实际上，该模型的推理过程没有问题，认为“2”和(hé)“-2”都满足题目条件，但陷入自我怀疑，最终只给出了答案“2”。

讯飞星火X1的推理(tuīlǐ)过程

其他得分超过100分的还有(háiyǒu)Gemini 2.5 Pro（109分）、o3（107分）、阿里千问(qiānwèn)Qwen3（106分）和豆包(dòubāo)深度思考模式（104分）。在(zài)分数占比最高的解答(jiědá)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(móxíng)中，如果说有谁的结果最令人(lìngrén)意外，那无疑是马斯克旗下(qíxià)xAI公司开发的、被马斯克称为“地表最强AI”的Grok 3。

Grok在(zài)发布之初就被(bèi)市场寄予厚望(jìyǔhòuwàng)，被认为是最有潜力挑战GPT和Gemini霸主地位的“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117分的试题测试中(zhōng)，Grok 3仅获得(huòdé)91分，在10个参与测试的推理(tuīlǐ)大模型中排名倒数第三。

深入分析其答卷，每经(měijīng)记者发现，Grok 3失分的(de)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(tā)认为的最优解(jiě)，导致只能得到部分分数。

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，该模型在多道题目的推理过程中都(dōu)找到了(le)正确答案，但是往往(wǎngwǎng)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(zhìpǔ)清言推理模式解答过程截图

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

综合所有测试情况(qíngkuàng)来看，在处理(chǔlǐ)有固定步骤和严密逻辑的数学问题上(shàng)，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。