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，但关于数学科目(kēmù)难度(nándù)的讨论热度不减。

《每日(měirì)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(duì)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(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(jiéguǒxiǎnshì)，国产大模型DeepSeek-R1与腾讯混元T1以零错误并列(bìngliè)榜首(bǎngshǒu)。而被马斯克称为“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。但每经记者在测试中发现，部分(bùfèn)AI推理模型以“重要考试期间”为由拒绝对包含试题(shìtí)的图片进行识别(shíbié)和解答。

为了让所有(suǒyǒu)(suǒyǒu)参评大模型站在同一起跑线，测评移除了试卷中所有需要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(biāozhǔnhuà)试卷。

同时，对于谷歌Gemini 2.5 Pro等(děng)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，旨在测试推理大(dà)模型所能达到的最高水平。

扣分标准(kòufēnbiāozhǔn)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)于解答题，本次测评只根据结果计算得分(défēn)，不对过程打分。

需要说明的(de)是，在此次测试中，每款推理大模型(móxíng)只进行单次测试，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

在排除了图形/图表题的117分试卷测试中(zhōng)，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(biǎoxiàn)，取得了117分的满分成绩，并列第一。这表明，在代数(dàishù)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(de)成绩紧随其后。相较于DeepSeek-R1与腾讯混元T1这两款(liǎngkuǎn)大模型，讯飞星火X1多错了一道填空题。这道题的正确答案(dáàn)是“±2”，而讯飞星火X1给出(gěichū)的答案是“2”。实际上，该(gāi)模型的推理过程没有问题，认为“2”和“-2”都满足题目条件，但陷入自我怀疑，最终只给出了答案“2”。

讯(xùn)飞星火X1的推理过程

其他得分超过100分的还有(yǒu)Gemini 2.5 Pro（109分）、o3（107分）、阿里千问(qiānwèn)Qwen3（106分）和豆包深度思考模式（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，其中一道大题仅有部分(bùfèn)正确，而(ér)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”，排名倒数(dàoshǔ)第三

在(zài)本次参评的所有AI推理大模型中，如果说(rúguǒshuō)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“地表最强AI”的Grok 3。

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

然而，Grok 3此次的表现可以说是(shì)遭遇了“滑铁卢”。在117分(fēn)的试题(shìtí)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：它似乎无法正确理解多选题(duōxuǎntí)这(zhè)类题型。

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

排名(páimíng)倒数第二的是智谱清言推理模式，在117分(fēn)试卷的测试中得分为78分。

实际上，该模型在多道题目的推理过程中(zhōng)都找到了正确答案，但是往往(wǎngwǎng)会在最后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(guòchéng)截图

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

综合所有测试情况来看，在(zài)处理有固定步骤和严密逻辑的(de)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(tímù)上，目前的大模型还存在一定的局限性。