AI刷题强到可怕？挑战高考数学卷，DeepSeek-R1、腾讯混元T1、Grok 3等十大模型测评来...

正文

请到「今天看啥」查看全文

讯飞星火X1的推理过程

其他得分超过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）。在分数占比最高的解答题上，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

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

Grok在发布之初就被市场寄予厚望，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的目标是成为最强大的AI。

然而，Grok 3此次的表现可以说是遭遇了“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这类题型。

测试过程显示，即使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的最优解，导致只能得到部分分数。

排名倒数第二的是智谱清言推理模式，在117分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。

智谱清言推理模式解答过程截图

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大跟头，损失了大量的分数。

综合所有测试情况来看，在处理有固定步骤和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。

请到「今天看啥」查看全文