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年高考大幕虽已落下(làxià)，但(dàn)关于数学科目难度的讨论热度不减。

《每日经济(jīngjì)新闻》记者(jìzhě)（以下简称(jiǎnchēng)“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(dà)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，国产大模型DeepSeek-R1与(yǔ)腾讯混元T1以(yǐ)零错误并列榜首。而被马斯克称为“地表(dìbiǎo)最强AI”的Grok 3却遭遇“滑铁卢”，排名倒数第三。

本次测评以2025年全国新课标数学I卷（总分(zǒngfēn)150分）作为(zuòwéi)考题。但每经记者在测试(cèshì)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(tímù)，形成一份有效总分为117分的标准化试卷。

同时(tóngshí)，对于(duìyú)谷歌Gemini 2.5 Pro等没有这一限制的(de)推理模型，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。

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

需要说明的(de)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和腾讯(téngxùn)混元T1并列第一

在(zài)排除了(le)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。这表明，在代数计算和函数题等题型解答上(shàng)，其能力已经达到了极高(gāo)的水准和稳定性。

讯飞星火X1以112分(fēn)的(de)成绩紧随其后。相较于(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(shì)“±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(mǎnzú)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Gemini 2.5 Pro（109分）、o3（107分）、阿里千问Qwen3（106分）和豆包深度(shēndù)思考(sīkǎo)模式（104分）。在分数(fēnshù)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(bùfèn)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”，排名倒数第三(dìsān)

在本次参评的(de)所有AI推理大模型中，如果说有谁的结果最令人意外，那(nà)无疑是马斯克旗下xAI公司开发的、被马斯克称为(chēngwéi)“地表最强AI”的Grok 3。

Grok在(zài)发布(fābù)之初就被市场寄予厚望(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(de)表现可以说是遭遇了“滑铁卢”。在117分的试题测试中，Grok 3仅(jǐn)获得91分，在10个参与(cānyù)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失分的一个独特且(qiě)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(xià)，Grok 3也“顽固”地只(zhǐ)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，该模型在多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(yībù)出现自我(zìwǒ)怀疑导致逻辑崩溃(bēngkuì)，陷入循环，最终功亏一篑，白白丢了很多分。

智谱清言推理模式(móshì)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(zāi)了大跟头，损失了大量(dàliàng)的分数。

综合所有测试情况来看，在处理(chǔlǐ)有固定步骤和严密逻辑的数学问题(wèntí)上，AI推理大(dà)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。

记者(jìzhě)|岳楚鹏 高涵

编辑|金冥羽(jīnmíngyǔ) 兰素英 盖源源

封面图片(túpiàn)来源：视觉中国

｜每日经济新闻(xīnwén) nbdnews 原创文章｜

未经许可禁止转载(zhuǎnzǎi)、摘编、复制及镜像等使用