這兩天，很多媒體都在寫用AI考高考題的內(nèi)容。

我本來(lái)真的沒打算卷這個(gè)選題，因?yàn)橹来蠹铱隙ǘ紩?huì)寫，都會(huì)卷，我也想休息休息，真的就不打算寫了。

但是吧，用AI測(cè)語(yǔ)文考試還沒啥，但是看了一些用AI做數(shù)學(xué)考試的文章，真的給我看的一臉地鐵老頭表情包，就，那個(gè)測(cè)試方法，也特么太扯淡了。

我覺得既然是考試，那就公平公正的去測(cè)試？

當(dāng)然，你要是玩整活，那就另談了。

結(jié)果最后得出一些不太靠譜的結(jié)論，我覺得還是蠻誤導(dǎo)大家的。

客觀、公平、公正，是我覺得最核心的標(biāo)準(zhǔn)。

所以我覺得，我想按照我的玩法，再嚴(yán)謹(jǐn)一點(diǎn)的測(cè)一下大模純數(shù)學(xué)能力型高考，給大家看一下，真實(shí)客觀的評(píng)分。

測(cè)試試卷為2025年數(shù)學(xué)全國(guó)一卷。

測(cè)試規(guī)則如下：

1. 不考解答題（因?yàn)榻o我標(biāo)準(zhǔn)答案我也看不懂，不知道咋給分。。）

2. 所有的題目截圖全部使用LaTeX編輯器轉(zhuǎn)成LaTeX文本格式，再扔給大模型進(jìn)行回答。

LaTeX是學(xué)術(shù)界最廣泛使用的數(shù)學(xué)公式排版語(yǔ)言，能最精確地表達(dá)數(shù)學(xué)符號(hào)，我們考的是模型的數(shù)學(xué)能力，不是考模型的多模態(tài)識(shí)圖能力，比如DeepSeek根本就沒多模態(tài)，用的是OCR提取文本，很可能識(shí)別錯(cuò)誤，所以截圖上傳不公平，一律轉(zhuǎn)化成LaTeX格式再進(jìn)行統(tǒng)一測(cè)試。

3. 剔除掉單選題第6題，因?yàn)檫@是單選、多選、填空題中唯一有圖表的，轉(zhuǎn)成文字可能會(huì)有理解歧義，同時(shí)就一題，影響不大，直接剔除。

4. 單題計(jì)分方法也依照高考判分原則：?jiǎn)芜x題7道，每道5分，選項(xiàng)正確計(jì)分，錯(cuò)誤不得分；多選題3道，每道6分，全對(duì)計(jì)6分，漏選按正確答案數(shù)量計(jì)分，如答案為ABCD，漏選其一扣1.5分，錯(cuò)選不得分；填空題3道，每道5分，填空正確計(jì)分，錯(cuò)誤不得分。

5. 每道題都會(huì)使用大模型跑3遍，根據(jù)正確比例進(jìn)行分配，最大程度減少幻覺。比如OpenAI o3模型，做單選題第7題，對(duì)2次，錯(cuò)1次，則實(shí)際得分為5*0.66=3.3分。

6. 只開推理、不使用Prompt引導(dǎo)、不開聯(lián)網(wǎng)、不允許寫代碼在沙盒進(jìn)行計(jì)算，比如o3，我直接把這幾個(gè)功能關(guān)掉了。

以上，就是全部規(guī)則了。

接下來(lái)，請(qǐng)我們的模型考生入場(chǎng)。

測(cè)試模型為OpenAI o3、Gemini 2.5 pro、DeepSeek R1 、豆包（ 1.5-thinking-pro） 、元寶（混元T1）、千問3（235B）、訊飛星火X1，均為推理模型。

在晚上凌晨2點(diǎn)開始測(cè)試，因?yàn)楦鉇PI寫腳本反而可能更麻煩，所以直接搞了個(gè)表格，復(fù)制粘貼測(cè)了，以至于喊了我的幾個(gè)好朋友@卡爾的AI沃茲、@Max、@貓先生 一起測(cè)，硬生生測(cè)到凌晨4點(diǎn)。

7道單選題、3道多選題、3道填空題，總分一共68分。

我們得出了，我認(rèn)為，非常公平客觀的，每個(gè)模型的考試結(jié)果。

沒有收任何家錢，也沒有任何利益關(guān)系，全部客觀公正。

如下圖：

看看每一題的具體選項(xiàng)。

第9題是個(gè)非常神奇的題目，是個(gè)多選題，只有Gemini 2.5 Pro每次都對(duì)了，其他的所有大模型，幾乎全都有問題，D選項(xiàng)倒是全都答出來(lái)了，但是缺了B。

而那個(gè)DeepSeek第11道題錯(cuò)的那道題，其實(shí)并不是真做錯(cuò)了，明明做對(duì)了，但是非要作死的瞎答，比如11題多選題，DeepSeek R1錯(cuò)了一道題。

但是我給你看看，它其實(shí)是這么錯(cuò)的。

真的，太抽象了。。。

再看看，最終分?jǐn)?shù)。

Gemini確實(shí)非常強(qiáng)，在整個(gè)邏輯上，沒有一題是錯(cuò)的。

而豆包、混元、星火位列第二梯隊(duì)，在第9題上漏了一個(gè)選項(xiàng)，并列屈居第二。

DeepSeek半對(duì)半錯(cuò)了一個(gè)多選題，丟了0.7分，排名第五。

而Qwen3和OpenAI o3因?yàn)閮蓚€(gè)都錯(cuò)了1次填空題，只能被迫墊底。。

通過(guò)我的測(cè)試，我相信，大家應(yīng)該對(duì)于模型的數(shù)學(xué)能力，有一些了解了。

其實(shí)，根本拉不開差距，出錯(cuò)一般也都是小小的幻覺。

高考對(duì)于現(xiàn)在絕大多數(shù)的推理大模型來(lái)說(shuō)，其實(shí)真的就是，沒有特別大的難度，跟2023年的時(shí)候，真的是天壤之別。

很多測(cè)出來(lái)測(cè)的非常離譜的文章，其實(shí)最后答案錯(cuò)了，跟推理模型本身沒有半毛錢關(guān)系，而是你把截圖扔過(guò)去，各種符號(hào)啥的識(shí)別錯(cuò)誤。

比如 則 \complement_{U} A，硬生生識(shí)別成了CuA。

所以，折騰到現(xiàn)在，這場(chǎng)公平、客觀的AI數(shù)學(xué)高考終于落幕了。

在打完最后一個(gè)結(jié)果的時(shí)候，我松了一口氣。

其實(shí)吧，我們不睡覺，熬夜折騰這么久，想得出的并不僅僅是一個(gè)簡(jiǎn)單的分?jǐn)?shù)。

而是我們我們想知道，怎么才算是一場(chǎng)合格的AI考試。

規(guī)則公正，流程嚴(yán)謹(jǐn)，技術(shù)中立，少一點(diǎn)博眼球的夸張，多一點(diǎn)對(duì)真相的執(zhí)著。

我始終相信，無(wú)論是對(duì)技術(shù)，還是對(duì)人生，嚴(yán)謹(jǐn)總能讓我們更接近真實(shí)。

而真實(shí)，總能讓我們更加自由。

睡覺。

起床以后，一定又是美好的一天。

以上，既然看到這里了，如果覺得不錯(cuò)，隨手點(diǎn)個(gè)贊、在看、轉(zhuǎn)發(fā)三連吧，如果想第一時(shí)間收到推送，也可以給我個(gè)星標(biāo)?～謝謝你看我的文章，我們，下次再見。

>/ 作者：卡茲克

>/ 投稿或爆料，請(qǐng)聯(lián)系郵箱：wzglyay@virxact.com