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，但关于数学科目难度的(de)讨论(tǎolùn)热度不减。

《每日经济新闻》记者（以下简称“每经记者”）选取(xuǎnqǔ)今年的全国新课标数学I卷作为考题，对(duì)DeepSeek-R1、腾讯元宝(yuánbǎo)（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(mǎsīkè)称为“地表最强AI”的Grok 3却(què)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150分）作为(wèi)考题(kǎotí)。但每经记者在测试中发现，部分AI推理模型(tuīlǐmóxíng)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(zhàn)在同一(tóngyī)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等没有这一限制的推理模型，仍(réng)将以150分的完整试卷(shìjuàn)进行测试(cèshì)，旨在测试推理大模型所能达到的最高水平。

扣分标准上，每经记者(jìzhě)在选择题和填空题上都遵循了高考评卷(píngjuàn)的(de)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，在此次测试中，每款推理大模型(móxíng)只进行单次测试，得分也仅反映(fǎnyìng)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(fēn)试卷(shìjuàn)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(biǎoxiàn)，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(hánshù)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(de)成绩紧随其后。相较于DeepSeek-R1与腾讯混元T1这两款大模型(móxíng)，讯飞星火X1多错了一道填空题。这道题的正确答案(dáàn)是“±2”，而讯飞星火X1给出的答案是“2”。实际上，该模型的推理过程(guòchéng)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(xùn)飞星火X1的推理过程

其他得分(fēn)超过100分的还有Gemini 2.5 Pro（109分）、o3（107分）、阿里千问Qwen3（106分）和(hé)豆包深度思考模式(móshì)（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(yīdào)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“滑铁卢”，排名倒数第三(dìsān)

在本次参评的(de)(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“地表最强AI”的Grok 3。

Grok在发布之初就被市场寄予厚望，被认为是最有潜力挑战GPT和Gemini霸主地位的“黑马”。马斯克(mǎsīkè)多次暗示(ànshì)，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中排名(páimíng)倒数(dàoshǔ)第三。

深入分析其答卷，每经记者发现，Grok 3失分的一个独特(dútè)且关键的原因：它似乎无法(wúfǎ)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(wèi)多选题的情况下(xià)，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(de)是智谱清言推理模式，在(zài)117分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答案，但是往往会在最后一步出现自我怀疑导致(dǎozhì)逻辑(luójí)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(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(sǔnshī)了大量的分数。

综合所有测试情况来看，在处理有固定步骤(bùzhòu)和严密逻辑的数学问题上，AI推理大模型(móxíng)已经具备很强的能力。但在涉及抽象(chōuxiàng)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|岳楚鹏(yuèchǔpéng) 高涵

编辑|金冥羽 兰素英(yīng) 盖源源

封面图片(túpiàn)来源：视觉中国

｜每日经济新闻 nbdnews 原创(yuánchuàng)文章｜

未经许可禁止转载、摘编、复制及镜像(jìngxiàng)等使用