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)大幕虽已落下，但关于数学科目难度的讨论热度不减(bùjiǎn)。

《每日经济新闻》记者(jìzhě)（以下简称“每经记者”）选取(xuǎnqǔ)今年的全国新课标数学(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xAI的Grok3等十款AI推理(tuīlǐ)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，国产大模型DeepSeek-R1与腾讯混元(hùnyuán)T1以零(líng)错误并列(bìngliè)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。

本次测评以(yǐ)2025年全国新课标数学I卷（总分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)进行识别和解答。

为了让所有参评大模型站在同一起跑线，测评移除了试卷(shìjuàn)中所有需要分析图形(túxíng)和图表的题目(tímù)，形成一份有效总分为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)推理模型，仍将以150分的完整(wánzhěng)试卷进行(jìnxíng)测试，旨在测试推理大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(píngjuàn)的扣分标准，但对于解答题，本次测评只根据(gēnjù)结果计算得分，不对过程打分。

需要说明的是，在此次(cǐcì)测试(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(hé)腾讯混元T1并列第一

在排除(páichú)了图形/图表题的117分试卷测试中，DeepSeek-R1与腾讯混元T1展现出了绝对的优势，以(yǐ)零错误的完美表现，取得了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(yǐjīng)达到(dádào)了极高的水准和稳定性。

讯飞(fēi)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(zhèngquè)答案(dáàn)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问题，认为“2”和“-2”都满足题目条件，但陷入自我(zìwǒ)怀疑，最终只给出了答案“2”。

讯飞星火X1的推理过程(guòchéng)

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(hé)豆包深度思考模式（104分）。在分数占比最高的解答(jiědá)题上，Gemini 2.5 Pro和o3均有失误，其中一道大题仅有部分正确，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(cǎnzāo)“滑铁卢”，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在发布之初就被市场(shìchǎng)寄予厚望，被认为是最(zuì)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(mùbiāo)是成为最强大的AI。

然而，Grok 3此次的表现可以说(shuō)是遭遇了“滑铁卢(huátiělú)”。在117分的试题测试中，Grok 3仅(jǐn)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(dájuàn)，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(zhèngquèlǐjiě)多选题这类题型。

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

排名倒数第二的是(shì)智谱清言推理模式，在117分试卷的测试(cèshì)中得分为78分。

实际上，该模型在多道题目的推理(tuīlǐ)过程中(zhōng)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崩溃，陷入循环，最终功亏一篑，白白丢了很多分(fēn)。

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，该模型在最后两道压轴大题上栽了(le)大跟头，损失了大量(dàliàng)的分数。

综合所有测试情况来看，在处理有固定步骤(bùzhòu)和严密逻辑的(de)数学问题上，AI推理大(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。