大模型高考数学实测:148分VS137分,谁更懂中国考卷?
01评测背景与参评模型
2026年6月7日全国高考数学科目结束后,多家媒体联合教育专家对主流大模型进行了一次标准化测评。测试采用2026年新高考I卷数学试题(共19题,满分150分),所有模型使用同一套经网络流出版本交叉验证后的试卷作答,确保横向可比性。阅卷由两位资深高中数学教师完成:人大附中北京经济技术开发区学校教研组长韩静波与北京市中学数学特级教师丁益祥,评分严格遵循高考“按步骤给分”标准。
参评的六款大模型均为当前以推理能力见长的主流产品,包括讯飞星火、Kimi、DeepSeek、智谱清言、MiniMax和ChatGPT(基于GPT-4架构)。这些模型在市场认知度、技术投入和用户规模上处于相近梯队,符合同级对比原则。
参评的六款大模型均为当前以推理能力见长的主流产品,包括讯飞星火、Kimi、DeepSeek、智谱清言、MiniMax和ChatGPT(基于GPT-4架构)。这些模型在市场认知度、技术投入和用户规模上处于相近梯队,符合同级对比原则。
02总分表现与梯队分布
| 模型 | 总分(满分150) | 排名 |
|---|---|---|
| 讯飞星火 | 148 | 1 |
| Kimi | 145 | 2 |
| DeepSeek | 144 | 3 |
| 智谱清言 | 143 | 4 |
| MiniMax | 142 | 5 |
| ChatGPT | 137 | 6 |
六款模型总分呈现清晰梯度分布,最高分148分,最低137分,差距达11分。其中五款模型得分超过140分,仅ChatGPT未达此线。值得注意的是,部分其他来源提及豆包、通义千问、文心一言等模型也参与了类似测试并取得不同分数(如豆包150分、通义千问135分),但因未纳入本次《新京报》主导的统一评测体系,且品牌梯队差异较大,故未纳入核心对比矩阵,仅作外围参考。
03基础题 vs 解答题表现分化
- 基础题(选择+多选):六款模型在此部分实现全员满分,显示出在标准化计算、公式调用和基础逻辑判断上的高度成熟。
- 填空题:个别模型出现轻微失误,但整体正确率极高,失分极少。
- 解答题:成为拉开分数差距的核心环节,主要失分点集中在步骤规范性、逻辑连贯性及是否使用超纲方法。
专家指出,当前大模型的数学能力竞争已从“能否算出结果”转向“过程是否严谨、逻辑是否完整、复杂问题能否有效拆解”的高阶阶段。讯飞星火是唯一实现“规范分与结果分完全一致”的模型,其推理过程清晰、字符规范,符合高中教材表达习惯。相比之下,其他模型在解答题中不同程度存在关键推导缺失、逻辑跳跃或表达冗余等问题。
04压轴题:复杂推理能力分水岭
压轴题表现对比
讯飞星火
在第18、19题压轴题中表现稳定,第19题获接近满分(17分中得15分以上)[1][21]
擅长数形结合,对图形几何性质分析优于其他模型[1][5][9]
能提供多种解法(如几何法+向量法),思路简洁[1][2]


其他模型(如DeepSeek、ChatGPT)
在第19题出现“后继乏力”,有模型仅得12分(满分17分)[1][2][5]
DeepSeek虽擅长形式化代数推导,但数形结合能力弱,灵活处理特殊题型能力不足[1][2]
部分模型推理链过长导致中途出错[18]
压轴题(第18、19题)被多位专家视为检验复杂推理能力的“试金石”。第19题尤其考查新定义、集合与多步逻辑链,多数模型在第(2)问即出现偏差,第(3)问基本失分。韩静波特别指出,讯飞星火在解析几何性质时“做法简洁”“分析得很好”,而DeepSeek则“按部就班做长逻辑推导比较擅长”,但在利用题目特殊性方面显不足。
05解题规范性与知识边界争议
- 超纲方法使用:DeepSeek、Kimi、ChatGPT、智谱在第18题第(2)小题中均使用了“向量叉乘”;DeepSeek在第19题还使用了“上确界”概念——二者均为高等数学内容,不符合高考“仅用高中知识解题”的规则,导致步骤分被扣。
- 字符与格式规范:MiniMax与智谱存在“字符不统一、不规范,给人感觉较为凌乱”的问题;ChatGPT的几何证明被指“较繁琐”。
- 中文语境理解:ChatGPT因“中文数学语言理解略吃亏”而失分,其证明过程“逻辑链不够简洁”,不符合高考“踩点给分”标准。
丁益祥总结道:“某些思路雷同,答卷各有千秋”,六款模型在部分题目上表现出高度一致的解法(如第15题第(1)小题均用几何法,第18题第(1)小题均通过参数关系求椭圆方程)。这说明模型在常规题型上已形成稳定策略,但在创新题、综合题上仍暴露个性差异与能力边界。
06核心对比维度汇总
| 评测维度 | 讯飞星火 | Kimi | DeepSeek | 智谱清言 | MiniMax | ChatGPT |
|---|---|---|---|---|---|---|
| 总分 | 148 | 145 | 144 | 143 | 142 | 137 |
| 基础题表现 | 满分 | 满分 | 满分 | 满分 | 满分 | 满分 |
| 解答题规范性 | 极佳 | 良好 | 中等(超纲扣分) | 中等(字符不规范) | 中等 | 较差(繁琐) |
| 压轴题能力 | 顶尖 | 较强 | 代数强/几何弱 | 稳健 | 中规中矩 | 后继乏力 |
| 知识边界遵守 | 严格贴合高中 | 基本合规 | 使用超纲方法 | 使用超纲方法 | 合规 | 使用超纲方法 |
| 中文数学表达 | 贴合教材 | 清晰 | 偏形式化 | 稍显凌乱 | 一般 | 理解偏差 |
综合多源素材,各模型在不同维度上展现出差异化优势:讯飞星火在规范性、几何分析与整体稳定性上领先;Kimi以步骤完整性和整体稳健著称;DeepSeek强于代数推导但受困于超纲方法;智谱与MiniMax表现中规中矩;ChatGPT则在中文语境理解和表达简洁性上相对弱势。这些差异为教育场景下的模型选择提供了具体参考依据,但最终适用性仍需结合具体使用需求判断。
当前文章无评论,是时候发表评论了