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，但关于数学科目难度的讨论热度(rèdù)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(shùxué)I卷作为考题，对DeepSeek-R1、腾讯混元(hùnyuán)T1、OpenAI的o3、谷歌(gǔgē)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(yǐ)零错误并列榜首。而被马斯克称为“地表最强AI”的Grok 3却(què)遭遇“滑铁卢”，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。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(túpiàn)进行识别和(hé)解答。

为了让所有参评大模型站在同一起跑线，测评移除了(chúle)试卷(shìjuàn)中所有需要分析图形和图表的题目，形成(xíngchéng)一份有效总分为117分的标准化试卷。

同时，对于谷歌(gǔgē)Gemini 2.5 Pro等没有这一限制(xiànzhì)的推理模型，仍将以150分的完整试卷进行测试，旨在测试推理大模型所能达到(dádào)的最高水平。

扣分标准上，每经记者(jìzhě)在选择题和填空题上都遵循了高考(gāokǎo)评卷的扣分标准，但对于(duìyú)解答题，本次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(cèshì)(cìcèshì)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

在排除了图形/图表题的117分试卷测试中，DeepSeek-R1与腾讯(téngxùn)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(hé)函数题等题型解答上，其能力已经达到(dádào)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(xiāngjiào)于DeepSeek-R1与腾讯混元T1这两款大模型(móxíng)，讯飞星火X1多错了(le)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(tímù)条件，但陷入自我怀疑，最终只给出了答案“2”。

讯飞星火(xīnghuǒ)X1的推理过程

其他得分(fēn)超过100分的还有Gemini 2.5 Pro（109分）、o3（107分）、阿里千问Qwen3（106分）和(hé)豆包深度思考模式（104分）。在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(yīdào)大题仅有部分正确(zhèngquè)，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(běncì)参评的所有AI推理大(dà)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(kāifā)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(shì)最有潜力挑战GPT和Gemini霸主地位的(de)(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(gè)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：它似乎(sìhū)无法(wúfǎ)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(tímù)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(zuìyōu)解，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(shìjuàn)的测试中得分为78分。

实际上，该模型(móxíng)在多道题目的推理过程中都找到(zhǎodào)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(bēngkuì)，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(móshì)解答过程截图

排在最末尾的是Kimi k1.5，该模型在最后两道压轴(yāzhòu)大题上栽了大跟头，损失(sǔnshī)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逻辑的数学(shùxué)问题上，AI推理大(dà)(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。