七款大模型挑战高考数学卷，Gemini 2.5 Pro 夺冠，但在图像识别上表现不佳，反映AI在数理逻辑和图文理解上仍有进步空间。
原文标题：高考数学全卷重赛！一道题难倒所有大模型，新选手Gemini夺冠，豆包DeepSeek并列第二
原文作者：机器之心
冷月清谈：
怜星夜思：
2、这次测试中，解答题成了大模型失分的重灾区，除了 Gemini 之外，其他模型都有不同程度的扣分。这意味着啥？大模型在哪些方面还需要加强？
3、看到报道里说，有模型在解答题中出现了解答正确但多余假设求值、答案没化简、未证明极值等问题。这些问题反映出大模型在数学应用上存在哪些局限性？
原文内容
编辑：杨文、+0
AI挑战全套高考数学题来了!
高考数学一结束，我们连夜使用六款大模型产品，按照一般用户截图提问的方式，挑战了 14 道最新高考客观题，不过有网友质疑测评过程不够严谨，所以这次我们加上解答题，重新测一遍。
本次参加挑战的选手分别是：Doubao-1.5-thinking-vision-pro、DeepSeek R1、Qwen3-235b、hunyuan-t1-latest、文心 X1 Turbo、o3，并且新增网友们非常期待的 Gemini 2.5 pro。上一次我们使用网页端测试，这次除 o3 外，其他模型全部调用 API。
在考题选择上，我们仍然采用 2025 年数学新课标 Ⅰ 卷，包含 14 道客观题，总计 73 分；5 道解答题，总计 77 分。其中第 6 题由于涉及到图片，我们就单独摘出来，后面通过上传题目截图的形式针对多模态大模型进行评测。其他文本题目全部转成 latex 格式，分别投喂给大模型，还是老规矩，不做 System Prompt 引导，不开启联网搜索，直接输出结果。
（注：第 17 题虽然也涉及到图片，但文字表述足够清晰，不影响答题，因此也以 latex 格式测评。）
客观题计分方法按照以往高考判分原则：
-
单选题每道 5 分，选项正确计分，错误不得分；
-
多选题每道 6 分，全对计 6 分，漏选按正确答案数量计分，如答案为 ABCD，漏选其一扣 1.5 分，错选不得分；
-
填空题每道 5 分，填空正确计分，错误不得分。
至于解答题，由于现在还未出具体的评分细则，所以我们请数学专业的朋友进行评判，主要还是看大模型的最终答案以及解题步骤中是否有严重失误点。
7 家大模型考试成绩如下图所示。
从客观题来看，各家大模型几乎拉不开差距，最大分差也只有 3 分，第 6 题图像题更是让这几家多模态大模型「全军覆没」。在上一次测评中，o3 客观题成绩垫底，但有网友表示，这可能是由于某些原因导致后台自动切换成其他模型，而这一次我们选用的是未「降智」的 o3，选择题和填空题成绩仍是排在最后，当然，65 分的成绩相比「降智」版确实有很大提升。
解答题是大模型失分的「重灾区」。除了 Gemini 2.5 Pro 拿到全部的分数外，其它模型或多或少均有失分。其中 DeepSeek R1 和 Doubao 最可惜，只丢了一分；o3 则失了 2 分，最终得到 75 分。相较而言，hunyuan-t1-latest 和文心 X1 Turbo 发挥不佳，分别拿到 68 分和 66 分。
从总分上来看，Gemini 2.5 Pro 考了 145 分，位列第一，Doubao 和 DeepSeek R1 以 144 分紧随其后，并列第二；o3 和 Qwen3 也仅有一分之差，分别排在第三和第四。受解答题的「拖累」，hunyuan-t1-latest 和文心 X1 Turbo 的总成绩排到了最后两名。
（查看各大模型的测评截图以及解答题答题情况，请移步：https://jiqizhixin.feishu.cn/docx/PR0PdzYaWoU92QxiJQqc2oe7n2g）
解答题：大模型失分「重灾区」
我们先来看看解答题的情况。
第 15 题和第 17 题，一道考查概率问题，一道涉及立体几何知识，7 家大模型均拿到满分。
第 16 题是一道数列综合题，满分 15 分，只要证明完整、计算过程完整、结果正确就能拿到全部的分数。大模型整体表现不错，只有 Qwen3 解答正确，但最终答案里面增加了多余的假设求值，扣了一分。
第 18 题这道椭圆方程与几何就难倒了不少大模型，仅 Doubao、DeepSeek R1 和 Gemini2.5 Pro 拿到满分 17 分，其他模型各有各的扣分点。Qwen3 前面回答得都不错，过程也很完整，但偏偏最后一小问｜PQ｜最大值取约等于 9 的步骤多余，导致结果偏差，扣了一分。
o3 则是第（3）问答案没化简丢了一分。
文心 X1 在第 2 问 (2) 正确算出 P 点轨迹，但未证明极值，直接按最远点计算造成结果错误，扣 6 分。
hunyuan-t1-latest 前两问中回答正确，到了第 3 问完成 P 点轨迹之后就全错了，一下子丢了 5 分。
对于最后一道压轴题，Gemini2.5 pro 是唯一全对的大模型。Doubao 只说明了震荡项的振幅大于 0，但是也有可能震荡项的相位是反的，那样的话最大值反而有可能更小，证明过程不够严谨，扣一分。
DeepSeek R1 在第（3）问中分情况讨论，得出了两类解，但对第一类解未做后续说明，扣了一分。
o3 第（2）问思路正确，但因为开闭区间差别，「完全重合」说法错误，扣 1 分。
hunyuan-t1-latest 在第（2）问上思路可行但证明过程模糊，扣 2 分，到了第（3）问没有判断 phi 取值，又扣了 2 分。
文心 X1 和 Qwen3 也都是在第 2 问和第 3 问上失了分，第 2 问证明模糊扣 2 分，第 3 问则是未具体说明 phi 值扣 2 分，而且文心 X1 比大小还发生错误，又扣了 1 分。
客观题：一道图像题难倒几家多模态大模型
在不考虑识图题（第6题）的情况下，客观题大模型总体表现都不错，Doubao、Qwen3、Gemini 2.5 pro、DeepSeek R1 、文心 X1 Turbo 和 hunyuan-t1-latest 均取得了 68 分的高分，只有 o3 在多选题上少选了一项丢了分。
其中，o3 在第 9 题计算过程中，忽视了「正三棱柱」这一关键条件。它在建立坐标系时，分别用 (x₀, y₀, 0) 表示 A 点坐标，用 (c, 0, 0) 表示 C 点坐标，但没有考虑到：正三棱柱的底面是正三角形，这意味着正三角形的边长 c 与 x₀、y₀之间存在关系：c=2x₀=2y₀/√3。导致对 B 选项的判断出现错误。
接下来看看这道图片题。
遗憾的是，此次测评的多模态大模型都在这道识图题上表现不佳。虽然 hunyuan-t1-latest 不是多模态，但我们又测试了 hunyuan-t1-vision ，也在这道题上败下阵来。
相比之下，Doubao 和 o3 至少正确识别了坐标位置，只是误判了视风风速方向，而 Gemini 连基本坐标都未能正确识别。
总的来说，这次测评结果显示，大模型在数学推理能力上有不小的进步，但仍有较大的提升空间。比如不少模型在解答题上丢分，这反映出大模型在复杂推理、严谨论证和多步骤计算方面还需加强。
此外，所有参测的多模态大模型在第 6 题的图像识别上都出现了问题，这也暴露出当前 AI 在图文结合理解方面的短板。
最后，紧张的高考已经结束，祝福所有考生都能取得理想的成绩，有着灿烂的未来！
© THE END
转载请联系本公众号获得授权
投稿或寻求报道：[email protected]