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(jìzhě)（以下简称(jiǎnchēng)“每经记者”）选取今年的全国(quánguó)新课标数学I卷(juǎn)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xAI的Grok3等十款AI推理大模型进行了测评，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(guóchǎn)大模型DeepSeek-R1与(yǔ)腾讯混元T1以零错误并列榜首。而被马斯克称为“地表最强(zuìqiáng)AI”的Grok 3却遭遇“滑铁卢”，排名倒数第三。

本次测评(cèpíng)以(yǐ)2025年全国新课标数学I卷（总分150分）作为考题。但每经(měijīng)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，形成一份(yīfèn)有效总分为(fēnwéi)117分的标准化试卷。

同时，对于(duìyú)谷歌Gemini 2.5 Pro等没有这一限制的推理(tuīlǐ)模型，仍将以150分的完整试卷进行测试(cèshì)，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(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(duìyú)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，在此次测试中(zhōng)，每款推理大模型(móxíng)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(téngxùn)混元T1并列第一

在排除了(le)图形/图表题(tí)(tí)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(bìnglièdìyī)。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(xīnghuǒ)X1以112分的成绩紧随其后(jǐnsuíqíhòu)。相较于DeepSeek-R1与腾讯混元T1这两款大模型，讯飞星火X1多错了一道(yīdào)填空题。这道题(zhèdàotí)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”。

讯飞星火X1的推理过程(guòchéng)

其他得分(défēn)超过100分的还有(háiyǒu)(yǒu)Gemini 2.5 Pro（109分）、o3（107分）、阿里千问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(tíshàng)，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(cǎnzāo)“滑铁卢”，排名倒数第三

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，那无疑是马斯克(mǎsīkè)旗下(qíxià)xAI公司开发的、被(bèi)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(zuì)(zuì)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(shuō)是(shì)遭遇(zāoyù)了“滑铁卢”。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。

深入分析其答卷，每经记者(jìzhě)发现，Grok 3失分的一个(yígè)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(fēnshù)。

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

实际上(shíjìshàng)，该模型在(zài)多(duō)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(de)是Kimi k1.5，该模型在最后两道(liǎngdào)压轴大题上栽了大跟头，损失了大量的分数。

综合所有测试(cèshì)情况来看，在处理有固定步骤和严密逻辑的数学问题(wèntí)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(tímù)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)

封面图片来源(láiyuán)：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、复制及镜像(jìngxiàng)等使用