高考数学大模型测评哪家强 第一名结果出乎意料

为了让大家对主流AI模型的数学能力有一个最直观的感受，我们组织了一场“满血版”的数学高考。目的很明确：看看在150分的满分下，这些模型究竟能拿多少分，谁又能在这场较量中拔得头筹。

由于解答题与选择题、填空题的评分方式不同，我们为此单独制定了一套规则：

1. 数学大题通常包含多个小问，各小问分值不一。我们邀请了一位高中教师朋友，对每道大题下各小问的分数进行了估算，并以此作为评分依据。

2. 高考阅卷通常会按步骤给分。但考虑到我们并非专业阅卷人，为了评测标准统一且严格，本次测试决定仅依据最终答案的正确与否来判分。

3. 每道题目，我们依然让每个大模型运行3次，根据其答对的次数比例来折算得分。

4. 所有文本题目，都先通过LaTeX编辑器转换为LaTeX格式文本，再提交给大模型作答。

5. 包含图片的多模态题目也被纳入测试，直接截图提交。对于不具备多模态能力或推理时无法接收图片的模型，其得分将取所有多模态模型在该题得分的平均值。

规则就是以上这些。

在几位朋友夜以继日地协助测试之后，我们终于得出了结果。不得不说，这又是一次干到凌晨四点的硬仗。

不过，最终的得分和结论，确实有些出人意料。

先看看各题的对错情况。我们用✅表示全对，❌表示错误，⭕️表示部分正确，不具备多模态能力的则予以标注。

说实话，这一片绿色（表示正确）的面积，有点超出预期。本以为解答题会难倒一大批模型，没想到它们大多都应对自如。反倒是单选题第6题，成了几乎所有大模型的“滑铁卢”。

这道题涉及对几何图形的理解，对于高考生来说，可能轻轻松松画条辅助线就能解决。但几乎所有多模态大模型都在此折戟，只有OpenAI的o3模型在三次尝试中答对了两次。

DeepSeek-R1-0528的表现略逊于其他推理模型，可能原因在于其推理思维链过长。高考题目并未复杂到需要如此深度的“思考”，结果反而可能导致它在过程中“想歪了”。这似乎印证了一点：有时候，想得短一点、直接一点，正确率或许会更高。

所有的原始作答记录都在这里了。我们实实在在地为每个模型、每道题都运行了3次。

下次一定得抽空写个自动化脚本，这种纯人力测试，强度确实有点顶不住。

那么，最终的成绩单终于要揭晓了。

这个排名，确实让人颇感意外。

需要特别说明的是，本次测试过程严格遵守既定规则，未有任何弄虚作假，测试结果完全基于模型的实际表现。但结果就是如此发生了。

在我们的测试中，讯飞星火和豆包除了在第6题失分外，其余题目全部答对，以145分的超高分并列第一。

通义千问Qwen3在解答题部分表现完美，全数拿下。可惜在填空题环节，因一次失误（3次尝试中2对1错），损失了宝贵的1.7分，最终以143.3分屈居第三。

Gemini 2.5 Pro在解答题部分出现了一些失误，以139.7分位列第四。

混元T1和文心X1在解答题上的失误稍多一些，比Gemini 2.5 Pro多丢了2.7分，并列第五。

这个结果，很有意思。

说实话，很久没有一次测试能让人如此兴致盎然了。回想2023年第一次测试AI做高考数学题时，场面多少有些“惨不忍睹”，强如大模型，面对基础题目也可能束手无策。

短短两年时间，它们对于高考数学题的应对能力，已经普遍达到了优秀学生的水准。AI的进化速度，确实快得有点惊人。

或许，这正是这份工作令人着迷的地方——它总能带来未知、惊喜，以及那种“一年抵十年”的深刻体验。

至此，这场AI高考可以画上一个句号了。窗外，天边已泛起鱼肚白，新的一天，已然到来。