AI高考大乱斗！六大顶尖模型挑战高考数学题，结论却引发争议

2025年高考数学考场外，当考生们还在为立体几何的辅助线抓耳挠腮时，六大顶尖AI模型也交出了它们的答卷——在总分73的2025年新课标Ⅰ卷客观题测试中，豆包与元宝以68分并列第一，OpenAI o3却以34分惨遭垫底。

在单选题战场，豆包、通义、元宝和文心曾携手斩获35分，DeepSeek 因两道题失误，单选题拿下30分，而 o3则惨遭滑铁卢，单选题的得分仅为20分，错了一半的题目。

而在多选题方面，豆包、DeepSeek 和元宝均表现完美，三道题全对，展现出强大的稳定性。相对来说，通义的表现虽然快速，但在关键时刻的判断失误也导致得分不理想。

在填空题的测试中，文心X1明明算出了公比2或-2，却因画蛇添足加了句"通常取正值"，与满分失之交臂。

最令人难以置信的是，o3连"送分题"都啃不下——面对等差数列的充要条件证明，它前两步推理如行云流水，第三步却突然开启胡说八道模式，最终算出个选项里根本没有的答案。

基于以上表现得出了豆包和元宝并列第一，OpenAI o3垫底的结论。

然而，这样的结论却引发了争议。很多网友表示该结论缺乏公正性和客观性。

总的来说，争议点主要集中在以下几点：

1. DeepSeek 作为非多模态大模型，却被当作多模态模型来测评

测试者把图表交给 DeepSeek 解读，并指责 DeepSeek 「对图表视而不见蒙答案糊弄人」。

2. o3 网页版存在降智情况，不符合真实表现

O3的降智导致测试结果垫底，但明明知道o3可能会触发降智，却仅仅在网页端测试，这样的答案是否具备客观公正性？

3. 仅仅通过模型网页端发送题目截图，测评方法缺乏严谨性

考虑到测试的是模型的数学推理能力，很多网友认为应该使用学术界最广泛使用的数学公式排版语言LaTeX进行测评，不应该简单采取发送截图的方式。

综上，对于这样的结论，大家的看法各不相同。

但可以肯定的是，随着AI技术的高速发展，AI大模型的推理能力已经上升到新的高度，这些顶尖大模型的差距，也不再像几年前那么明显了。相信在未来，各大模型在推理能力方面的差距，将会进一步减小。
 

对于这样的测试结果，大家怎么看？欢迎在评论区留言讨论~