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
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
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(gāokǎo)大幕虽已落下，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（以(yǐ)下(yǐxià)简称“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(jìnxíng)了测评，以检验当今主流AI推理大模型的数学能力(nénglì)。
测评(cèpíng)结果显示，国产大模型DeepSeek-R1与腾讯混元T1以零错误并列榜首。而被马斯克称为(chēngwéi)“地表最强(zuìqiáng)AI”的Grok 3却遭遇“滑铁卢”，排名倒数第三。
本次测评以2025年全国新课标数学I卷（总分(fēn)150分）作为考题。但每经记者在测试中发现，部分AI推理模型以“重要考试期间”为由拒绝(jùjué)对包含(bāohán)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(zài)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(de)推理模型，仍将以150分的完整试卷进行测试(cèshì)，旨在测试推理大(dà)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填空题上都遵循了高考评卷的扣分标准，但对(duì)于(duìyú)解答题，本次测评(cèpíng)只根据结果计算得分，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和腾讯混元(hùnyuán)T1并列第一
在排除了图形(túxíng)/图表(túbiǎo)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(yōushì)，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(hé)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X1以112分的成绩紧随其后。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(le)一道填空题。这道题的正确答案是“±2”，而讯飞(érxùnfēi)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”都满足题目条件，但陷入(xiànrù)自我怀疑(huáiyí)，最终只给出了答案“2”。
讯飞星火X1的(de)推理过程
其他(qítā)得分超过100分的(de)还有(háiyǒu)Gemini 2.5 Pro（109分）、o3（107分）、阿里千问Qwen3（106分）和豆包(dòubāo)深度思考模式（104分）。在分数占比最高的解答题上，Gemini 2.5 Pro和o3均有失误，其中一道大题仅有部分正确(zhèngquè)，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(páimíng)倒数第三
在本次参评的所有(suǒyǒu)AI推理大模型中，如果说(rúguǒshuō)有谁的结果最令人意外，那无疑是马斯克旗下(qíxià)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(shì)最有潜力挑战GPT和Gemini霸主地位的“黑马”。马斯克多次暗示(ànshì)，Grok的目标是成为最强大(qiángdà)的AI。
然而(ránér)，Grok 3此次的表现可以说是遭遇了“滑铁卢”。在(zài)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(páimíng)倒数第三。
深入分析其答卷，每经记者发现，Grok 3失分的一个独特且关键的原因：它似乎无法(wúfǎ)正确理解多选题这(zhè)类题型。
测试(cèshì)过程显示，即使在记者提示题目为多选题的情况(qíngkuàng)下，Grok 3也“顽固”地只给出(gěichū)一个它认为的最优解，导致只能得到部分分数。
排名倒数第二的是(shì)智谱清言推理模式，在117分(fēn)试卷的测试中得分为78分。
实际上，该模型在多(duō)道题目的推理过程中都找到了(le)正确答案，但是往往会在最后一步出现自我怀疑(huáiyí)导致逻辑崩溃，陷入循环，最终功亏一篑，白白丢了很多分。
智谱清言(qīngyán)推理模式解答过程截图
排在(páizài)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，损失了大量的分数。
综合所有测试情况来看，在(zài)处理有固定步骤(bùzhòu)和严密逻辑的数学问题上，AI推理大模型已经具备很强的能力。但在涉及抽象和创新思维(sīwéi)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 兰素英 盖源源(yuányuán)
封面(fēngmiàn)图片来源：视觉中国
｜每日(měirì)经济新闻 nbdnews 原创文章｜
未经许可禁止转载、摘编、复制及镜像等(děng)使用
2025年高考(gāokǎo)大幕虽已落下，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（以(yǐ)下(yǐxià)简称“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(jìnxíng)了测评，以检验当今主流AI推理大模型的数学能力(nénglì)。
测评(cèpíng)结果显示，国产大模型DeepSeek-R1与腾讯混元T1以零错误并列榜首。而被马斯克称为(chēngwéi)“地表最强(zuìqiáng)AI”的Grok 3却遭遇“滑铁卢”，排名倒数第三。
本次测评以2025年全国新课标数学I卷（总分(fēn)150分）作为考题。但每经记者在测试中发现，部分AI推理模型以“重要考试期间”为由拒绝(jùjué)对包含(bāohán)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(zài)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(de)推理模型，仍将以150分的完整试卷进行测试(cèshì)，旨在测试推理大(dà)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填空题上都遵循了高考评卷的扣分标准，但对(duì)于(duìyú)解答题，本次测评(cèpíng)只根据结果计算得分，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和腾讯混元(hùnyuán)T1并列第一
在排除了图形(túxíng)/图表(túbiǎo)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(yōushì)，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(hé)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X1以112分的成绩紧随其后。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(le)一道填空题。这道题的正确答案是“±2”，而讯飞(érxùnfēi)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”都满足题目条件，但陷入(xiànrù)自我怀疑(huáiyí)，最终只给出了答案“2”。
讯飞星火X1的(de)推理过程
其他(qítā)得分超过100分的(de)还有(háiyǒu)Gemini 2.5 Pro（109分）、o3（107分）、阿里千问Qwen3（106分）和豆包(dòubāo)深度思考模式（104分）。在分数占比最高的解答题上，Gemini 2.5 Pro和o3均有失误，其中一道大题仅有部分正确(zhèngquè)，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(páimíng)倒数第三
在本次参评的所有(suǒyǒu)AI推理大模型中，如果说(rúguǒshuō)有谁的结果最令人意外，那无疑是马斯克旗下(qíxià)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(shì)最有潜力挑战GPT和Gemini霸主地位的“黑马”。马斯克多次暗示(ànshì)，Grok的目标是成为最强大(qiángdà)的AI。
然而(ránér)，Grok 3此次的表现可以说是遭遇了“滑铁卢”。在(zài)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(páimíng)倒数第三。
深入分析其答卷，每经记者发现，Grok 3失分的一个独特且关键的原因：它似乎无法(wúfǎ)正确理解多选题这(zhè)类题型。
测试(cèshì)过程显示，即使在记者提示题目为多选题的情况(qíngkuàng)下，Grok 3也“顽固”地只给出(gěichū)一个它认为的最优解，导致只能得到部分分数。
排名倒数第二的是(shì)智谱清言推理模式，在117分(fēn)试卷的测试中得分为78分。
实际上，该模型在多(duō)道题目的推理过程中都找到了(le)正确答案，但是往往会在最后一步出现自我怀疑(huáiyí)导致逻辑崩溃，陷入循环，最终功亏一篑，白白丢了很多分。
智谱清言(qīngyán)推理模式解答过程截图
排在(páizài)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，损失了大量的分数。
综合所有测试情况来看，在(zài)处理有固定步骤(bùzhòu)和严密逻辑的数学问题上，AI推理大模型已经具备很强的能力。但在涉及抽象和创新思维(sīwéi)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 兰素英 盖源源(yuányuán)
封面(fēngmiàn)图片来源：视觉中国
｜每日(měirì)经济新闻 nbdnews 原创文章｜
未经许可禁止转载、摘编、复制及镜像等(děng)使用
相关推荐
评论列表
暂无评论，快抢沙发吧~
欢迎 你 发表评论: