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)关于数学科目难度的讨论(tǎolùn)热度不减。

《每日经济新闻》记者（以下简称“每经记者”）选取(xuǎnqǔ)今年的全国新课标数学(shùxué)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等十款AI推理大(dà)模型进行了测评(cèpíng)，以检验当今主流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(hùnyuán)T1以零(líng)错误并列榜首。而(ér)被马斯克称为“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（总分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(bāohán)试题的(de)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(cèpíng)移除了试卷中所有需要分析图形和图表的题目，形成一份(yīfèn)有效总分为117分的标准化试卷。

同时，对于(duìyú)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)，旨在测试推理大模型所能达到的最高水平。

扣分标准上，每经记者在选择题(tí)和填空题上都遵循了(le)高考评卷的扣分标准，但对于解答题，本次测评只根据结果计算得分，不对过程打分(dǎfēn)。

需要说明的是，在此次(cǐcì)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(hé)腾讯混元T1并列第一

在排除了(le)图形/图表题(tí)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(chéngjì)，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(rènwéi)“2”和“-2”都满足(mǎnzú)题目(tímù)条件，但陷入自我(zìwǒ)怀疑，最终只给出了答案“2”。

讯飞星火X1的(de)推理过程

其他得分(défēn)超过100分的还有Gemini 2.5 Pro（109分）、o3（107分）、阿里(ālǐ)千问Qwen3（106分）和(hé)豆包深度思考模式（104分）。在(zài)分数占比最高的解答题上，Gemini 2.5 Pro和o3均(jūn)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。

Grok 3惨遭“滑铁卢”，排名(páimíng)倒数第三

在本次参评的所有AI推理大模型(móxíng)中(zhōng)，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(bàzhǔ)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(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倒数(dàoshǔ)第三。

深入分析其答卷，每经记者(jìzhě)发现，Grok 3失分的一个独特且关键(guānjiàn)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(zài)记者提示题目为多选题的情况(qíngkuàng)下，Grok 3也“顽固”地只给出一个它认为的最优解(jiě)，导致只能得到部分分数。

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(cèshì)中得分为78分。

实际上，该模型在多道题目的推理过程中都找到了正确答案(dáàn)，但是往往会在最后(zuìhòu)一步出现自我怀疑导致逻辑崩溃，陷入(xiànrù)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，该模型在最后两道压轴大题(dàtí)上栽了大跟头，损失了大量(dàliàng)的分数。

综合所有测试情况来看，在处理有固定(gùdìng)步骤和严密逻辑的数学问题上，AI推理大模型已经具备(jùbèi)很强的能力。但在涉及抽象和创新思维的题目(tímù)上，目前的大模型还存在一定的局限性。