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年高考大幕虽已落下，但(dàn)关于数学(shùxué)科目难度的讨论热度不减。

《每日经济新闻》记者（以(yǐ)下简称“每经记者”）选取(xuǎnqǔ)今年的全国新课标(xīnkèbiāo)数学I卷作为考题(kǎotí)，对DeepSeek-R1、腾讯混元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(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却遭遇(zāoyù)“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）作为考题。但每经记者在测试中(zhōng)发现，部分AI推理模型以“重要(zhòngyào)考试期间”为由拒绝(jùjué)对包含试题的图片进行识别和解答。

为了让所有参评(cānpíng)大模型站在同一起跑线，测评移除了试卷(shìjuàn)中所有需要(xūyào)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(tóngshí)，对于谷歌Gemini 2.5 Pro等没有这一限制的推理(tuīlǐ)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能达到的最高水平。

扣分标准上，每经(měijīng)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(dàn)对于解答题，本次(běncì)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(cìcèshì)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(hé)腾讯混元T1并列第一

在排除(páichú)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(yǔ)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，该模型的推理过程没有(méiyǒu)问题，认为“2”和“-2”都满足题目条件(tiáojiàn)，但(dàn)陷入自我怀疑，最终只给出了答案“2”。

讯飞星火X1的推理过程(guòchéng)

其他得分超过100分的还有(háiyǒu)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（104分）。在分数占(zhàn)比最高的解答题上，Gemini 2.5 Pro和o3均有失误(shīwù)，其中一道大题仅有部分(bùfèn)正确，而阿里千问Qwen3和豆包深度思考模式均拿下满分。

Grok 3惨遭(cǎnzāo)“滑铁卢”，排名倒数第三

在本次参评的所有AI推理(tuīlǐ)大模型中，如果说有谁的结果最令人意外，那无疑是马斯克(mǎsīkè)旗下xAI公司开发的、被马斯克称为“地表最强(zuìqiáng)AI”的Grok 3。

Grok在发布之初就被市场寄予厚望，被认为是(shì)最(zuì)(zuì)有潜力挑战GPT和Gemini霸主地位的“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此次的表现可以说是遭遇(zāoyù)了“滑铁卢”。在117分的试题测试中(zhōng)，Grok 3仅获得91分，在10个参与测试的推理大模型(móxíng)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(dútè)且关键的原因：它似乎无法正确理解多选题这(zhè)类题型。

测试过程显示，即使在记者提示题目为(wèi)多选题(duōxuǎntí)的情况下，Grok 3也(yě)“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(páimíng)倒数第二的(de)是智谱清言推理模式，在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(dōu)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逻辑崩溃，陷入循环，最终功亏一篑，白白(báibái)丢了很多分。

智谱清言推理模式解答过程截图(jiétú)

排在最末尾的是Kimi k1.5，该模型(móxíng)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(qíngkuàng)来看，在处理有固定步骤和严密逻辑的数学问题上，AI推理大模型已经具备很强(hěnqiáng)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。