每經記者：岳楚鵬 高涵 每經編輯：蘭素英
2025年高考大幕雖已落下，但關於數學科目難度的討論熱度不減。
《每日經濟新聞》記者（以下簡稱「每經記者」）選取今年的全國新課標數學i卷作為考題，對deepseek-r1、騰訊混元t1、openai的o3、谷歌的gemini 2.5 pro和xai的grok3等十款ai推理大模型進行了測評，以檢驗當今主流ai推理大模型的數學能力。
測評結果顯示，國產大模型deepseek-r1與騰訊混元t1以零錯誤並列榜首。而被馬斯克稱為「地表最強ai」的grok 3卻遭遇「滑鐵盧」，排名倒數第三。
測評標準
本次測評以2025年全國新課標數學i卷（總分150分）作為考題。但每經記者在測試中發現，部分ai推理模型以「重要考試期間」為由拒絕對包含試題的圖片進行識別和解答。
為了讓所有參評大模型站在同一起跑線，測評移除了試卷中所有需要分析圖形和圖表的題目，形成一份有效總分為117分的標準化試卷。
同時，對於谷歌gemini 2.5 pro等沒有這一限制的推理模型，仍將以150分的完整試卷進行測試，旨在測試推理大模型所能達到的最高水平。
扣分標準上，每經記者在選擇題和填空題上都遵循了高考評卷的扣分標準，但對於解答題，本次測評只根據結果計算得分，不對過程打分。
需要說明的是，在此次測試中，每款推理大模型只進行單次測試，得分也僅反映單次測試的結果。
deepseek-r1和騰訊混元t1並列第一
在排除了圖形/圖表題的117分試卷測試中，deepseek-r1與騰訊混元t1展現出了絕對的優勢，以零錯誤的完美表現，取得了117分的滿分成績，並列第一。這表明，在代數計算和函數題等題型解答上，其能力已經達到了極高的水準和穩定性。
訊飛星火x1以112分的成績緊隨其後。相較於deepseek-r1與騰訊混元t1這兩款大模型，訊飛星火x1多錯了一道填空題。這道題的正確答案是「±2」，而訊飛星火x1給出的答案是「2」。實際上，該模型的推理過程沒有問題，認為「2」和「-2」都滿足題目條件，但陷入自我懷疑，最終只給出了答案「2」。
訊飛星火x1的推理過程
其他得分超過100分的還有gemini 2.5 pro（109分）、o3（107分）、阿里千問qwen3（106分）和豆包深度思考模式（104分）。在分數佔比最高的解答題上，gemini 2.5 pro和o3均有失誤，其中一道大題僅有部分正確，而阿里千問qwen3和豆包深度思考模式均拿下滿分。
grok 3慘遭「滑鐵盧」，排名倒數第三
在本次參評的所有ai推理大模型中，如果說有誰的結果最令人意外，那無疑是馬斯克旗下xai公司開發的、被馬斯克稱為「地表最強ai」的grok 3。
grok在發布之初就被市場寄予厚望，被認為是最有潛力挑戰gpt和gemini霸主地位的「黑馬」。馬斯克多次暗示，grok的目標是成為最強大的ai。
然而，grok 3此次的表現可以說是遭遇了「滑鐵盧」。在117分的試題測試中，grok 3僅獲得91分，在10個參與測試的推理大模型中排名倒數第三。
深入分析其答卷，每經記者發現，grok 3失分的一個獨特且關鍵的原因：它似乎無法正確理解多選題這類題型。
測試過程顯示，即使在記者提示題目為多選題的情況下，grok 3也「頑固」地只給出一個它認為的最優解，導致只能得到部分分數。
排名倒數第二的是智譜清言推理模式，在117分試卷的測試中得分為78分。
實際上，該模型在多道題目的推理過程中都找到了正確答案，但是往往會在最後一步出現自我懷疑導致邏輯崩潰，陷入循環，最終功虧一簣，白白丟了很多分。
智譜清言推理模式解答過程截圖
排在最末尾的是kimi k1.5，該模型在最後兩道壓軸大題上栽了大跟頭，損失了大量的分數。
綜合所有測試情況來看，在處理有固定步驟和嚴密邏輯的數學問題上，ai推理大模型已經具備很強的能力。但在涉及抽象和創新思維的題目上，目前的大模型還存在一定的局限性。
每日經濟新聞
