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(gāokǎo)大幕(dàmù)虽已落下，但关于数学科目难度的讨论热度不减。

《每日经济新闻》记者(jìzhě)（以下简称“每经记者”）选取今年(jīnnián)的(de)全国新课标数学I卷作为考题(kǎotí)，对DeepSeek-R1、腾讯混元T1、OpenAI的o3、谷歌的Gemini 2.5 Pro和xAI的Grok3等(děng)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。

测评(cèpíng)结果显示，国产大模型DeepSeek-R1与腾讯混元T1以零错误(cuòwù)并列榜首。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(dìsān)。

本次测评以2025年全国新课标数学I卷（总分(zǒngfēn)150分）作为(zuòwéi)考题。但每经记者在测试中发现，部分AI推理模型(tuīlǐmóxíng)以“重要考试期间”为由拒绝对包含试题的图片进行识别和解答。

为了让所有(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(xūyào)分析图形和图表的题目，形成一份有效总(zǒng)分为117分的标准化试卷。

同时，对于(duìyú)谷歌Gemini 2.5 Pro等没有这一限制的推理模型(móxíng)，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的最高水平(shuǐpíng)。

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

需要(xūyào)说明的是，在此次测试中，每款推理大模型只(zhǐ)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T1并列第一(bìnglièdìyī)

在(zài)排除了图形/图表题的(de)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(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。

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(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，该模型的推理过程(guòchéng)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(ālǐ)千问Qwen3（106分）和豆包深度思考模式（104分）。在分数(fēnshù)占比最高(zuìgāo)的解答题上，Gemini 2.5 Pro和o3均有失误，其中一道大题仅有部分(bùfèn)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”，排名倒数第三(dìsān)

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

Grok在发布之初就被(bèi)市场寄予厚望，被认为是最有(yǒu)潜力挑战GPT和Gemini霸主地位的“黑马”。马斯克多次暗示，Grok的目标是成为最强大(qiángdà)的AI。

然而，Grok 3此次(cǐcì)的表现可以说是遭遇了“滑铁卢”。在117分(fēn)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第三(dìsān)。

深入分析其答卷，每经记者发现，Grok 3失分(shīfēn)的一个独特(dútè)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(jíshǐ)在记者提示题目为多选题的情况下，Grok 3也“顽固”地只给出一个它认为(rènwéi)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(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推理过程中都找到了(le)正确答案，但是往往会在最后一步出现自我(zìwǒ)怀疑导致逻辑崩溃，陷入循环，最终功亏一篑，白白丢(diū)了很多分。

智谱清言推理(tuīlǐ)模式解答过程截图

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

综合(zōnghé)所有测试情况(qíngkuàng)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。