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(suī)已落下，但关于数学科目(kēmù)难度的讨论热度不减。

《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、谷歌的Gemini 2.5 Pro和xAI的Grok3等十款AI推理大模型(móxíng)进行了(le)测评，以检验当今(dāngjīn)主流(zhǔliú)AI推理大模型的数学能力(nénglì)。

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(bǎngshǒu)。而被马斯克称为“地表最强AI”的Grok 3却遭遇“滑铁卢(huátiělú)”，排名倒数第三(dìsān)。

本次测评以2025年全国新课标数学I卷（总分150分）作为考题(kǎotí)。但每经(měijīng)记者在测试(cèshì)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解答。

为了让所有参评大模型站在同一起跑线，测评移除了试卷(shìjuàn)中所有需要分析图形和图表的(de)题目(tímù)，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(móxíng)，仍将以150分(fēn)的完整试卷进行测试，旨在测试推理大模型所能达到的最高水平。

扣分标准上，每经记者在选择题和填空题上都遵循了高考评卷(píngjuàn)的扣分标准，但(dàn)对于解答题，本次测评只根据结果计算得分，不对过程(guòchéng)打分。

需要说明(shuōmíng)的(de)是，在此次测试中，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(le)图形/图表题的117分(fēn)试卷测试中，DeepSeek-R1与(yǔ)腾讯混元T1展现出了绝对的优势，以(yǐ)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(yú)DeepSeek-R1与腾讯混元T1这两款大模型，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(dōu)满足题目条件，但(dàn)陷入自我怀疑，最终(zuìzhōng)只给出了答案“2”。

讯飞星火X1的(de)推理过程

其他得分(fēn)(fēn)超过100分的还有(yǒu)Gemini 2.5 Pro（109分）、o3（107分）、阿里千问Qwen3（106分）和豆包深度思考模式(móshì)（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(yīdào)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。

Grok 3惨遭“滑铁卢(huátiělú)”，排名倒数第三

在本次参评的(de)所有AI推理(tuīlǐ)大模型中，如果说有谁的结果最令人意外，那无疑是马斯克旗下xAI公司开发的、被马斯克称为(chēngwéi)“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(rènwéi)是最有潜力挑战(tiǎozhàn)GPT和Gemini霸主地位的“黑马”。马斯克多次(duōcì)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了“滑铁卢(huátiělú)”。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(dà)模型中排名倒数第三。

深入分析其答卷，每经记者发现(fāxiàn)，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类题型。

测试(cèshì)过程显示，即使在记者提示题目为多选题的(de)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(zhǐnéng)得到部分分数。

排名倒数第二的是智谱清言推理模式，在117分(fēn)试卷的测试中得(zhōngdé)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正确答案，但是往往会在最后(zuìhòu)一步出现自我怀疑导致逻辑(luójí)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截图(jiétú)

排在最末尾(mòwěi)的是Kimi k1.5，该模型在最后两道压轴大题上栽了大跟头(gēntou)，损失了大量的分数。

综合所有测试情况来看，在(zài)处理有固定步骤和(hé)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的题目上，目前的大模型还存在一定的局限性(júxiànxìng)。