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(dàmù)虽已落下，但关于数学(shùxué)科目难度的讨论热度不减。

《每日经济新闻(xīnwén)》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T1、OpenAI的o3、谷歌的Gemini 2.5 Pro和(hé)xAI的Grok3等十款AI推理大模型进行了测评，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)。而被马斯克称为“地表最强AI”的Grok 3却遭遇(zāoyù)“滑铁卢”，排名倒数第三(dìsān)。

本次测评(cèpíng)以2025年全国新课标数学I卷（总分(fēn)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“重要考试期间”为由拒绝对包含试题的(de)图片进行识别和解答。

为了让(ràng)所有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(fēn)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Gemini 2.5 Pro等没有这一限制的(de)推理(tuīlǐ)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(shàng)，每经记者在选择题(xuǎnzétí)和填空题上都遵循了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(shuōmíng)的是，在此次测试中，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和腾讯(téngxùn)混元T1并列第一

在排除了图形(túxíng)/图表题的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(qǔde)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(wěndìngxìng)。

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(zhè)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(érxùnfēi)星火X1给出(gěichū)的答案是“2”。实际上，该模型的推理过程没有问题(wèntí)，认为“2”和“-2”都满足题目条件，但陷入自我怀疑，最终(zuìzhōng)只给出了答案“2”。

讯飞星火(xīnghuǒ)X1的推理过程

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

在本次参评的所有AI推理(tuīlǐ)大模型中，如果说(rúguǒshuō)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(yǒu)潜力(qiánlì)挑战GPT和Gemini霸主地位的(de)“黑马”。马斯克多次暗示，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(zāoyù)了“滑铁卢”。在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(páimíng)倒数第三。

深入分析其答卷，每经记者发现，Grok 3失分(shīfēn)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下(xià)，Grok 3也“顽固”地只给出一个它认为的最优解，导致只能得到部分分数(fēnshù)。

排名倒数第二的是智谱(zhìpǔ)清言推理模式，在117分试卷(shìjuàn)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(luójí)崩溃，陷入循环，最终(zuìzhōng)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)

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

综合所有(suǒyǒu)测试情况来看，在处理有固定步骤和(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(dàn)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。