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，但关于(guānyú)数学科目难度的讨论(tǎolùn)热度不减。

《每日经济新闻》记者（以下简称(jiǎnchēng)“每经记者”）选取今年的全国新课标数学I卷作为考题，对(duì)DeepSeek-R1、腾讯(téngxùn)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(jìnxíng)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(bǎngshǒu)。而被(bèi)马斯克称为(chēngwéi)“地表最强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(juǎn)（总分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(kǎoshì)期间”为由拒绝对包含试题(shìtí)的图片进行识别和解答。

为了让所有参评(cānpíng)大模型站(zhàn)在同一起跑线，测评移除了试卷中所有需要分(fēn)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等没有这一限制的推理模型，仍(réng)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(néng)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，本次测评只根据结果计算得分，不(bù)对过程打分。

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

DeepSeek-R1和腾讯(téngxùn)混元T1并列第一

在排除了图形/图表题(tí)的117分(fēn)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(bìnglièdìyī)。这表明，在代数计算和函数题等题型解答(jiědá)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，讯飞星火X1多错了(le)一道填空题。这道题(zhèdàotí)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问题，认为“2”和(hé)“-2”都(dōu)满足题目条件(tiáojiàn)，但陷入自我怀疑，最终只给出了答案“2”。

讯飞星火X1的推理(tuīlǐ)过程

其他得分超过100分的还有Gemini 2.5 Pro（109分）、o3（107分）、阿里千问(qiānwèn)Qwen3（106分）和豆包深度思考(sīkǎo)模式（104分）。在分数占比最高的解答(jiědá)题上，Gemini 2.5 Pro和o3均有失误(shīwù)，其中(qízhōng)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。

Grok 3惨遭“滑铁卢(huátiělú)”，排名倒数第三

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

Grok在(zài)发布之初就被市场寄予厚望，被认为是最有潜力挑战GPT和(hé)Gemini霸主地位的“黑马”。马斯克多次暗示，Grok的目标是成为(chéngwéi)最强大的AI。

然而，Grok 3此次的表现可以说是(shì)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中排名倒数第三。

深入分析其(qí)答卷，每经记者发现(fāxiàn)，Grok 3失分的一个独特且关键的原因：它似乎无法正确理解多选题这类题型。

测试过程显示，即使在记者提示题目为多选题的情况下，Grok 3也“顽固”地只(zhǐ)给出一个它认为的最优(zuìyōu)解(jiě)，导致只能得到部分分数。

排名(páimíng)倒数(dàoshǔ)第二的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，该模型在多道题目的(de)推理过程中都找到了正确答案，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(zuìzhōng)功亏一篑，白白丢了很多分(fēn)。

智谱清言推理(tuīlǐ)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(yāzhòu)大题上栽了大跟头，损失了大量的分数。

综合所有测试情况来看，在(zài)处理有固定步骤和严密逻辑的数学问题上，AI推理大模型(móxíng)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)。