十大推理模型挑战2025年高考数学题：DeepSeek-R1、腾讯混元T1并列第一，马斯克的Grok 3遭遇“滑铁卢”

2025年高考大幕虽已(yǐ)落下，但关于数学科目难度(nándù)的讨论热度不减。

《每日经济新闻》记者（以下简称“每经记者”）选取今年的(de)全国新课标数学I卷作为考题，对DeepSeek-R1、腾讯混元T1、OpenAI的o3、谷歌(gǔgē)的Gemini 2.5 Pro和xAI的Grok3等(děng)十款(shíkuǎn)AI推理大模型进行了测评，以检验当今主流(zhǔliú)AI推理大模型的数学能力。

测评结果显示，国产大模型DeepSeek-R1与腾讯混元T1以零错误并列榜首。而被马斯克称为“地表最强(zuìqiáng)AI”的Grok 3却遭遇(zāoyù)“滑铁卢”，排名(páimíng)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(měijīng)记者在测试中发现，部分AI推理模型以“重要考试期间”为由拒绝对包含试题的图片进行识别和(hé)解答。

为了让所有参评大模型(móxíng)站在同一起跑线，测评移(yí)除了试卷中(zhōng)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(méiyǒu)这一限制的推理模型，仍将以150分的完整试卷进行测试(cèshì)，旨在测试推理大模型所(suǒ)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)于解答题，本次(běncì)测评只根据结果计算得分(défēn)，不对过程打分。

需要说明的是(shì)，在此次测试中，每款推理大模型只进行单(dān)次测试，得分也仅反映单次测试的结果。

DeepSeek-R1和腾讯混元T1并列第一(bìnglièdìyī)

在排除了(le)(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(qǔde)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(děng)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(de)(de)成绩紧随其后。相较于DeepSeek-R1与腾讯混元T1这两款大(dà)模型，讯飞星火X1多错了一道填空题。这道题的正确答案是“±2”，而讯飞星火X1给出的答案是“2”。实际上，该模型的推理(tuīlǐ)过程没有问题，认为“2”和“-2”都满足题目条件，但陷入自我(zìwǒ)怀疑，最终只给出了答案“2”。

讯(xùn)飞星火X1的推理过程

其他得分超过100分的(de)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(sīkǎo)模式（104分）。在分数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正确，而阿里千问Qwen3和豆包深度思考模式均拿下满分(mǎnfēn)。

Grok 3惨遭“滑铁卢”，排名倒数第三(dìsān)

在本次参评的所有(yǒu)AI推理(tuīlǐ)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(tiǎozhàn)GPT和Gemini霸主地位(dìwèi)的(de)“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(shì)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(yuányīn)：它似乎无法正确理解多选题这类题型(tíxíng)。

测试(cèshì)过程显示(xiǎnshì)，即使(jíshǐ)在记者提示题目为多选题的情况下，Grok 3也“顽固”地只给出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(dìèr)的是智谱清言推理模式，在117分(fēn)试卷的测试中得分为78分。

实际上(shíjìshàng)，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(wǎngwǎng)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。

智谱清言推理模式解答过程(guòchéng)截图

排在最末尾的是Kimi k1.5，该模型在最后两道(liǎngdào)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，在处理有固定步骤和严密(yánmì)逻辑的(de)数学问题上，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。