讓AI像人類一樣做高考數(shù)學(xué)題，夸克領(lǐng)跑、豆包緊隨

一年一度的高考落下帷幕。對大模型來說，這已經(jīng)是它第三次參與這場本屬于人類考生的考試。

但和前兩年不同，之前人們喜歡安排大模型產(chǎn)品寫高考作文。今年隨著推理模型的火熱，人們開始熱衷讓它參與高考數(shù)學(xué)。

一個(gè)有意思的變化在于，這兩天各種各樣的高考數(shù)學(xué)測評結(jié)果證明，今年大模型似乎有了質(zhì)的飛躍——從純粹的文科生，成為了數(shù)學(xué)成績也不錯(cuò)的理科生。

為驗(yàn)證這一結(jié)果，我們也選取了四個(gè)AI產(chǎn)品——豆包、夸克、元寶和ChatGPT進(jìn)行測評。

由于這幾家模型均具備多模態(tài)能力，所以我們將2025年全國新課標(biāo)數(shù)學(xué)I卷的題目直接投喂給大模型，不做格式轉(zhuǎn)換，不開啟聯(lián)網(wǎng)搜索，所有測試模型只有一次答題機(jī)會(huì)。

關(guān)于考核標(biāo)準(zhǔn)，我們覺得如果讓AI參與考試，就應(yīng)該把它們當(dāng)作一個(gè)真正的考生考核。

所以，本次測評拆解了三大維度：

• 結(jié)果正確率：AI考生能力的最直觀體現(xiàn)。
• 答題速度：考試有時(shí)間限制，AI考生也應(yīng)該注意時(shí)間安排。
• 識(shí)別準(zhǔn)確率：人類考生需要審題準(zhǔn)確，不能出現(xiàn)看錯(cuò)數(shù)字、符號(hào)等問題。所以有多模態(tài)能力的AI考生，也需要參與這一考核。

基于這三個(gè)維度，我們通過分別打分再計(jì)總分的形式，測試出AI考生們的高考數(shù)學(xué)的考試名次。

更細(xì)致的"閱卷規(guī)則"參考：

經(jīng)過以上三個(gè)維度的綜合測試，最終AI考生們的全面考察結(jié)果如下：

*綜合測評圖

*綜合排名圖

如果單看純粹的卷面分，這幾家AI考生的數(shù)學(xué)分?jǐn)?shù)都在110分以上。想起去年，AI們的高考數(shù)學(xué)題還經(jīng)常不及格，真是今非昔比。

而且，不僅是做題，這些AI選手們的解題速度和視覺理解能力都非常強(qiáng)——大部分題目都能在3分鐘內(nèi)完成。只有元寶沒有識(shí)別出其中的一道題目，其他AI助手在識(shí)別上都拿了滿分。

誰答對了最多題？

直接的考試分?jǐn)?shù)，是考生最關(guān)心的事情。

根據(jù)卷面分?jǐn)?shù)，夸克、豆包和ChatGPT分列前三。

一個(gè)小插曲是，ChatGPT在難題中經(jīng)常嘗試寫代碼解題，準(zhǔn)確率較高。但考慮到高考現(xiàn)場的考生們不會(huì)配備電腦寫代碼解題，所以我們立刻禁止了它寫代碼。

整體看下來，大家的選擇題和填空題得分差距不是非常大，錯(cuò)誤都不是很多。尤其是夸克和ChatGPT，選擇和填空題全對。

解答題是讓各家AI考生有點(diǎn)為難的題目。尤其是16題，大家都有錯(cuò)誤。

首先是元寶，從一開始沒能識(shí)別出這一道題目，所以也就無法作答——這也是我們這次測試中，唯一一個(gè)沒有被某一模型識(shí)別出的題目。

豆包在這道題上犯錯(cuò)的原因也有點(diǎn)令人迷惑，題目解題思路過程都是對的，就是要把題目中的“m”改成“n”。

感覺這里豆包在審題上出現(xiàn)了理解偏差，不能將“m”和“n”區(qū)分開，正確理解m的含義。

在選擇和填空上第一名的夸克，第16題中的錯(cuò)誤很可惜地發(fā)生在最后一步——“利用錯(cuò)位相減法”得出最終結(jié)果的部分。

向上翻了一下思考過程，發(fā)現(xiàn)它有點(diǎn)“心口不一”。一邊說著“相加”，一邊算著“相減”，最后結(jié)果錯(cuò)誤。

誰答得最快，審題最清晰？

答題速度，屬于AI考生們的舒適區(qū)。

基本上，這四個(gè)AI考生的選擇題基本都能在60秒內(nèi)出結(jié)果。只有ChatGPT和元寶的第六題，超過了一分鐘（但還是很）。

來到解答題，大家的耗時(shí)意料之中增加了不少。尤其是ChatGPT，基本最后的幾道大題都需要思考6分鐘左右。

不過在耗時(shí)更長的解題過程里，我們也看到一些驚喜。比如，ChatGPT會(huì)自己放大題目、左看右看，確認(rèn)識(shí)別沒有問題后再開始解題。

*ChatGPT會(huì)自己放大圖片，來仔細(xì)檢查箭頭首尾在坐標(biāo)軸上的位置

夸克和豆包也很讓人驚喜。在整體的速度測評中，夸克位列第一，豆包以一分之差位列第二。

這兩家做最難的解答題，單題最長耗費(fèi)時(shí)間在4分鐘左右。

至于和多模態(tài)相關(guān)的審題能力，AI考生們基本上都沒讓人失望。除了元寶有一題識(shí)別不出來，其他考生都是滿分。

不同的輸出風(fēng)格，讓我找到AI老師

測到這里，本次AI考生的高考數(shù)學(xué)測評基本可以結(jié)束了。

但在就在核對答案的過程中，我還有一個(gè)不同尋常的發(fā)現(xiàn)。

參與測評的AI考生背后，基本都是推理模型。在仔細(xì)看大家的輸出時(shí)，我發(fā)現(xiàn)不同考生的思維輸出風(fēng)格存在差異。而這種差異，會(huì)給真正想通過AI學(xué)習(xí)的考生，帶來不同的感覺和效果。

比如，豆包的思維鏈展示很長很完整，答案卻很簡潔。夸克的輸出更具引導(dǎo)性，比較像老師。元寶的內(nèi)容，更像是數(shù)學(xué)學(xué)霸，很喜歡計(jì)算和公式。

拿頗具難度的第19題舉例。

同樣是啟動(dòng)深度思考模式，夸克不會(huì)把所有的思考過程呈現(xiàn)，而是重述題目，并給出有步驟的解題思路。這個(gè)思路里面，也會(huì)劃一些高中考點(diǎn)。

相比之下，豆包和元寶有點(diǎn)"做題機(jī)器"。

在等待豆包給出答案的過程中，可以看到豆包會(huì)將長長長的思考思維鏈完整輸出。之后的解答部分雖然簡潔，但看表述確實(shí)只能用來對答案，難以引發(fā)思考。

元寶的回答少了一些清晰的思路指引。相對于夸克和豆包，計(jì)算步驟都更復(fù)雜一些，基本直奔計(jì)算而去，不會(huì)在表述中強(qiáng)調(diào)考點(diǎn)。

*元寶答案示例

如果從認(rèn)真學(xué)習(xí)的角度，相信還是有更多人喜歡夸克老師的引導(dǎo)式畫風(fēng)。

總之，這一次的測評中，我們真實(shí)把這四個(gè)AI考生真正當(dāng)作人類測試。發(fā)現(xiàn)不管是腦力還是眼力，AI們的進(jìn)步已經(jīng)超出想象。隨著AI越來越聰明，或許我會(huì)收獲更多的老師。