大模型再「战」高考：从一本直升 985

过去一年，大模型的世界几乎是「狂飙」的同义词。技术以周为单位迭代，能力边界从写诗作画，一路拓展到视频生成和科学发现。

然而，抛开那些宏大叙事，我们该如何为 AI 的能力找到一个精准、客观的刻度？

恐怕没有哪种方式，比「高考」更能直抵每一个中国人的内心。

去年，极客公园就做过一期 AI 高考模拟测评。延续去年的传统，极客公园今年再次搭建「AI 高考」考场，让国内外主流大模型再次走进考场。

再次走入考场的「AI 考生」们，不仅治好了去年文科偏科的毛病，还取得了足以考进山东省内 1000 名的高分。

然而，就在我们以为它已经「进化」时，它却又常在意想不到的地方，暴露了自己真实的「智商」。

一些关键发现如下：

AI 首次有望冲击顶尖学府： 今年，AI 的综合能力首次展现出足以考上顶尖学府的潜力。与 2024 年相比，所有参与测试的大模型在文理科成绩上均实现了显著飞跃。由于山东省采取赋分的报考策略，无法直接与分数段相比较，我们估计此次高考的状元豆包，能够排进全省的 500-900 名，考入人大、复旦、上海交大、浙大这些名牌大学的人文社科类专业。

大模型不再严重偏科，理科进步更快： 各大模型的文科总分平均增长了 115.6 分，理科总分平均增长了 147.4 分。尽管理科的增速更为迅猛，但其 181.75 分的平均总分仍低于文科的 228.33 分。总体来看，今年大模型的总分表现已不再严重「偏科」。

数学能力大幅增强，超越语文、英语： 数学是本年度进步最显著的科目，平均分较去年提升了 84.25 分。AI 在数学上的表现甚至超过了语文和英语，这预示着未来 AI 可能更擅长处理逻辑性强和有标准化解题路径的题目。

多模态能力成为拉开差距的关键： 去年到今年，模型的视觉理解能力显著提升，这一点在包含大量图像题的学科中尤为突出。与去年相比，物理和地理的平均分提升了约 20 分，生物提升了 15 分。化学科目整体表现稍弱，仅「豆包」模型及格，但全员平均分也比去年提高了 12.6 分。作为彩蛋，我们今年也尝试让 AI 在视频流中答题。

01 从一本到顶尖大学

如果说去年的 AI 还只是一个刚摸到一本线的优秀生，那么今年，它们已经成长为足以冲击中国顶尖学府的学霸。

这背后，究竟发生了怎样的蜕变？

在深入具体的变化之前，我们先介绍一下此次参与考试的国内外考生： 

豆包、 DeepSeek（R1-0528 版）、ChatGPT（o3）、元宝（Hunyuan t1）、Kimi（k1.5）、文心一言、通义千问。

为了更贴合读者的使用体验，本次评测均在各模型的公开 PC 端进行，测评采取采样两次取平均分的形式。

目的是考察模型的综合能力，此次测评的方式是直接让模型识别图像作答。DeepSeek-R1 目前仍然不支持图片识别作答，因此只测试了纯文字题目，最终成绩参考性不强。

其他测试细节如下：

此次测试选用 2025 年新高考山东卷作为本次评测的测试卷。原因有二：首先，山东卷是网络上能最快获取到的高考试卷之一，保证了评测的时效性。其次，它的综合难度在各省份中名列前茅——其语文、数学、英语三科采用全国一卷，其余科目则为自主命题。这样一把高难度的「标尺」，更能探知当前大模型能力的上限。

为保证公平并考察模型的通用基础能力，在可以关闭模型联网能力的产品中，统一关闭了模型的联网功能，以杜绝「搜题」的可能。o3 和文心无法关闭联网，不过检查模型思考过程发现，文心没有发生联网搜题的情形，o3 发生少量搜题情形，但没有明显收益，得分率反而低于非联网答题。同时，我们默认开启了深度思考模式，但没有开启研究模式，以模拟用户在标准交互下的即时问答场景。

非选择题各学科分别请两名专业同学打分，如存在题目分值 1/6 以上的差异，则引入第三人讨论定分（与真实高考判卷流程一致），并邀请参与过真实高考打分的高中老师抽检，对存在差异的题目统一标准。

在评分环节，我们做了两项特殊处理：我们特邀了资深教师进行对 AI 作文进行匿名评审，以保证客观公正。此外，由于无法获取英语听力部分的试题，我们设定所有模型在该项上均计为满分。

最终，各位考生的成绩如下：

过去一年，大模型的深度思考能力，带来了模型能力的明显进步。

模型不再不是直接产出答案，而是逐步分析、分解问题、检查中间结果，甚至自我修正，带来了模型在数理考试中的表现的大幅提升。

总分为 150 分的数学考试中，即便是本次测试中表现最差的 AI 模型，也拿下了 128.75 分的高分——这在人类考生中也属于优秀水平。

而回顾去年，表现最好的模型，也只达到了 70 分，连及格线都没到。

数学能力的进步，直接带动了今年大模型整体高考成绩的大幅提升。

多模态能力，成为决定大模型能力表现差别的另一个关键因素。

在去年的高考测试中，不少模型还不具备成熟的图片识别能力。极客公园当时采用的评测方式是：能识图的模型使用图片配合文字输入，而无法识图的模型则只输入文字，同时辅以 Markdown/LaTeX 格式帮助识别公式。

而进入今年，多模态能力是主流模型的标配功能。因此，我们首次在测试中采用纯图片题目测试（DeepSeek除外）。

在多个模型中，豆包、ChatGPT最先进的模型都是多模态版，在图像问题上体现出明显优势。

Qwen3、文心 X1 都是语言模型，处理图像问题时可能是用 OCR 识别文字后回答，或是调用视觉模型，在图像类问题上表现较弱。

不过，即使是图像问题得分最高的豆包和 ChatGPT，图像问题的得分率仅为 70%，相比文本问题 90% 的最高得分率有较大差距，可见大模型在多模态理解和推理上仍有很大的提升空间。

可以预见的是：随着多模态能力的持续进步，明年AI的高考成绩还会继续提升。考不过AI，终将成为大多数人类的常态。

然而，AI 终究没有拿下全满分的成绩。是什么绊住了学霸级的 AI？答案可能比想象中的有趣。

02 数学逼近满分的 AI 天才们，齐齐败在一道基础题上

在整场 AI 高考的测评中，「AI 考生」复读了一年后，在数学科目上的进步十分瞩目。

在 2024 年的测评中，当时的 AI 考生们在填空题和解答题上表现惨淡，得分普遍在 0 至 2 分之间徘徊，最终 9 款参评模型的数学成绩的平均分仅为 47 分。

而今年，则完全不同。

可以看出，无论是客观选择题，还是复杂的主观解答题，新一代大模型的正确率都今非昔比。这清晰地表明，大模型自身的能力，尤其是核心的推理能力，已经取得了根本性的突破。

如果说去年的模型还只是一个能勉强套用求导、三角函数等基础公式的「初学者」，那么今年的模型，则已经进化成一个能够从容应对复杂推导和证明的「解题高手」了。

一定程度上，这样的结果在预料之中。自从 AI 进入推理模型时代，一个标志性进展便是数理能力的大幅提升。

当模型拥有了自我思考与自我纠错的能力，它就像一个从前张口就回答问题的孩子，成长为一个会先深度思考再给出答案的大人，逻辑能力实现了质的飞跃。

要知道，今年高考新课标一卷的数学题被考生普遍认为难度极高，「像竞赛卷」，导数、圆锥曲线等压轴题思路晦涩，计算量极大，甚至出现「学霸考哭」的现象。

然而，面对这样一份高难度试卷，顶尖的大模型们依旧表现得游刃有余。

相较之下，AI 的多模态能力的进展倒还在其次。数学科目中，只有 20 分的图像问题，不是此次模型大幅度提分的重点。而大多数模型，也都在图像题中取得了 15 分的成绩。

为什么是 15 分？

这就很有趣了。这些整体都考了 130 分以上的大模型，放在人类社会里，也算是数学尖子生了，竟然在同一道选择题上出现了错误。

难住他们的，不是什么压轴大题，而是一道单选题——甚至不是很难的单选题。

这道题的数学原理非常简单，是一道基础的向量加减法题。只需在图上连接 (0,2) 与 (2,0) 两点，即可得到目标向量，模长 2 倍根号 2。

即便对数学不甚了解的人，通过肉眼观察图中的线段，也能估算出其长度不会超过 3.3。

然而，就是这样一道题，难住了所有数学学霸 AI。

核心矛盾在于：题不难，但图难。

对于大模型而言，这张图的视觉信息极其混乱：虚线、实线、坐标轴、数字、文字相互交织，甚至文字与关键线段存在多处重叠。这种视觉上的「脏数据」，成为了 AI 精准识别的噩梦。

以本次数学表现最佳的豆包为例，它的解题过程暴露了问题的根源：它从最开始读取题目信息时，就已然出错。

从题目就读错了的情况下，无论其背后的数学推理能力有多么强大，也终究是无源之水，无本之木。

03 AI 写作文：擅长举例子，但不擅长思辨性地升华

作为所谓大语言模型，语文和英语一向是 AI 的传统强项。

不过有趣的是：在大模型的数理逻辑大幅进步后，大模型的语文和英语能力反而显得有点不够看了。

这与现实世界也是一致的：一名顶尖考生或许能在数学上拿到满分，却极难在语文科目上获得同等分数。AI似乎也触碰到了同样的瓶颈。

仔细研究语文卷面可以发现，AI 的失分点颇为有趣。在选择题部分，除豆包和 DeepSeek-R1 以外，其余模型的错误率均在 20% 以上。

这种现象或许揭示了 AI 与人类不同的一个困境：对于人类考生，组织语言、阐述观点时，可能更容易因疏漏而失分；但对于 AI，要读一段长材料，在一组高度迷惑性的选项中，精准辨析每一个细微的语义差别和逻辑陷阱，难度可能反而更高。

而在备受瞩目的作文题上，AI 的表现则延续了去年的趋势：平均分高于人类，但难有真正的佳作。

去年，特邀阅卷老师的评价就已指出，AI 作文大多属于稳妥的「二类文」，很少偏题，但因其深刻性、丰富性、创造性不足，难以产生动人心弦的「一类文」，其结尾部分的升华更是套路化明显。

今年，依旧如此。

7 大模型整体均分 50.75 分，均分区分度较低，各模型能做到立意准确、语言流畅、论据丰富，但论述不深刻，举例雷同，相比人类范文模型作答缺少温度和共情。

今年的新课标卷的语文作文考题为： 

全国一卷作文「民族魂」

阅读下面的材料，根据要求写作。（60 分）

他想要给孩子们唱上一段，可是心里直翻腾，开不了口。

——老舍《鼓书艺人》

假如我是一只鸟，我也应该用嘶哑的喉咙歌唱

——艾青《我爱这土地》

我要以带血的手和你们一一拥抱，

因为一个民族已经起来

——穆旦《赞美》

以上材料引发了你怎样的联想和思考？请写一篇文章。

这是在一次采样中，元宝生成的 AI 作文。它在人类阅卷老师处获得了 53.5 分的高分，是 AI 作品中的佼佼者。

然而，细究其文，AI「模板化」的问题依旧暴露无遗。

比如这篇文章的中间几段，先是提出「历史上闪耀着这样的精神火光」的观点，随即并列引用三到四位历史人物；接着，引出「真正的担当带着疼痛的底色」的论点，再列举三到四位经历苦难的人物；最后，论及当代精神，再次列举三到四个当代人物。

AI 作文的语言不可谓不华丽，引经据典也自然十分丰富充满细节，但逻辑上像不像你的家长对你说，你看看谁谁谁都怎么样了，你是不是也该怎么样？

或许在精细调整提示词的情况下，AI 能写出触达人心的作品。

但目前，AI 的自主创作更像是在执行一个固化的写作模板：用排比式的案例填充框架，最终导向一个略显生硬的僵化升华。 它能写出看似优秀的段落，却难以织就一篇真正动人的文章。

04 英语：主要被作文分数拖累

与语文相似，AI 在传统强项——英语上的表现，也进入了一个平台期。

去年，各家 AI 的英语成绩已然不错，今年的模型能力并未产生飞跃。事实上，所有参评模型的平均分仅比去年提高了 3.2 分，进步幅度远小于数学。

而模型的整体分数，也落在了 130-140 分的区间，并未到达人类学霸的水平。

按理说，这稍显反常。

AI 的英文水平是有目共睹的，或许比不少英文专业的学生讲出的英语更正宗。

而高考英语这张试卷，本身远未触及母语者的语言天花板，且相较于包含古文的语文，其客观题占比更高、作文要求更简（仅 80 词），也并不追求立意高远，理论上是 AI 更容易获得绝对优势的战场。

然而，AI 考生并未在此表现出更强的统治力。

那么，瓶颈究竟出在哪里？作文题可能是一大拖累。

这背后有两个可能的原因：

1. 苛刻的字数限制：

在语文写作中，AI 就已经暴露出了时而「话痨」时而「不爱说话」的属性，但在长篇写作中，字数要求不是那么苛刻。但在 80 词的微型写作中，精准控制字数就成了一大挑战，稍有不慎便会因超词/少词而被扣分。

1. 缺乏应试智慧：

在有限的篇幅内，人类考生会有意识地使用更高级句式、时态来「炫技」以博取高分。而 AI 的目标通常是清晰、完整地传达信息，它不会刻意为了得分而优化句式复杂度，因此在评分细则上可能吃了暗亏。

而本次评测最有趣的一点，莫过于中外模型在作文上呈现的「主客场反转」现象。

在中文作文这一「客场」，以 ChatGPT 为代表的「洋考生」拔得头筹；

然而在本应是其「主场」的英文科目上，它却不敌「中国考生」——DeepSeek 在选择题上甚至拿了满分，而最终总成绩上，DeepSeek 也与豆包一同超越了 ChatGPT。

05 理综三科：有进步，但仍然不算十分优秀

如果说 AI 在数学上的进步是「一飞冲天」，那么在理综三科上的表现，则更像是一次「破冰启航」。

相较于去年，理综三科有一定进步——所有模型都提分 10-20 分，但整体成绩依旧挣扎在及格线附近，清晰地标示出 AI 与顶尖人类考生之间的能力鸿沟。

相比于数学，理综三科既考验逻辑能力，又考验多模态能力——物理化学两科的图题占 80% 以上，生物的图题也占全部题目的一半左右。

而今年，读图能力的解锁，加上模型推理能力的增强，共同带动了理综能力的进步。

不过正如绊住 AI 的数学题所展现的一样，能「看见」，不代表 AI 能「看懂」。

这在大模型在化学上的表现不佳上，能清楚地展现出来。化学题目对图片的依赖性强，且化学题目图片的复杂程度更高，此时 AI 的短板便暴露无遗。

目前，顶尖 AI 的理综成绩大致相当于中上游的人类考生水平，但远未达到「学霸」级别。正所谓「卷子越难，差距越显」，在综合性与深度并存的理综试卷上，AI 尚未具备稳定碾压人类考生的实力。

分科来看这次 AI 的成绩：

物理，进步最快的「排头兵」

物理是此次理综三科中进步最快的「排头兵」，平均分提升了 20.25 分。

在客观题和填空题上，ChatGPT 的选择题正确率高达 92.13%，豆包也达到了 89.81%，展现了对物理基本概念和规律的扎实掌握。

化学：被复杂图形拖累的「重灾区」

相比之下，化学成为了拉低理综总分的「重灾区」。整体得分偏低，仅有豆包勉强及格，选择题和填空题的平均得分率均低于 60%。

其核心痛点在于对复杂化学图形的双重依赖：不仅题目本身高度依赖图片（如实验装置、反应流程图），且化学结构图的复杂程度，也常常超出当前模型精准理解的极限，导致失分严重。

有机物大题依旧是所有大模型的主要软肋。例如，满分为 12 分的第 25 题（有机化学），所有模型得分极低。该题主要考察有机物合成路径与结构，评测中没有一个模型能够正确生成有机物的结构简式，对有机物的空间结构理解也相当薄弱。

生物：折戟于遗传计算的逻辑关

生物科目的短板则精准地暴露在需要严密逻辑推理的遗传题上。例如，分值高达 16 分的第 22 题（遗传大题），大模型普遍表现不佳，得分最高的 ChatGPT 也仅拿到 9 分。该题重点考察基因型分析、遗传概率计算等，这恰恰是考验模型在抽象信息基础上进行多步推理的能力。

06 AI 仍然偏科，文综是舒适区

在今年的 AI 高考评测中，一个清晰的趋势得以延续：文科综合依然是 AI 的高分舒适区。

早在去年，ChatGPT 就已拿下文综 237 分的高分。而今年，元宝更是将文综最高分推升至 253.5 分，这一成绩，与理科综合最高分（213.25 分）形成了鲜明对比。

相比去年，文强理弱的偏科问题虽有缓解，但基本格局并未改变，这与人类考生相反。在人类考生中，理综最高分往往比文综最高分高出不少。

在无需联网的情况下，头部 AI 在文综上的得分率已超过 80%，达到了人类优等生的水平。

今年的分数增长，主要由地理科目贡献。细分来看，各科的进展与瓶颈也愈发清晰：

最大看点无疑是地理。得益于多模态能力的飞跃，AI 在地理图题上的理解力显著增强，使得该科目平均分激增了 20.3 分，成为进步的火车头。

地理题上想更进一步，面对的挑战与理科中的化学如出一辙——对高度专业的复杂图形，AI 理解依然吃力。例如，在失分最严重的第 19 题（地形地貌综合分析题）上，模型的表现可谓「溃不成军」：

第（1）问关于地貌走向的判断，仅有极少数模型答对。

第（2）问关于「拔河高度」的专业概念计算，所有模型均告失败。

与之相对，政治和历史科目的分数则基本处于高位平台期，并未呈现显著进步。

对于这两个科目，挑战已经进入了更难的范畴：能否精准理解考纲、运用学科语言、并进行多维度深度分析。对于人类考生而言，这也需要专门的训练了。

例如，DeepSeek-R1 就因思路过于发散、偏离考点而大量失分。而在历史小论文上，AI 普遍难以做到对历史原因进行深刻的多维度剖析，论述仍显单薄。

一个小细节很有趣，与中国模型提分相对应的是，今年ChatGPT的文综分数不升反降。

这种「主场优势」也从侧面体现了了，在通往通用人工智能的道路上，对地域性规则的深刻理解与适应，依然是不可或缺的一环。

07 彩蛋 1：AI 眼镜能用来作弊吗？

从去年到今年，AI 眼镜等「视觉 AI 硬件」无疑是科技界最炙手可热的焦点。其背后的核心驱动力，正是大模型的实时视频理解功能的出现。它意味着 AI 正从被动接收指令，进化到主动感知和理解物理世界。

巧合的是，今年的高考也迎来了一项新变化：考场安检门全面升级，旨在精准防范智能眼镜等新型作弊工具。

这不禁让人好奇：这些新兴的、能与视频进行实时交互的多模态大模型，真的能用来在考场上「大显神通」吗？

我们抱着这个疑问，选择国外的 ChatGPT 与国内的元宝，进行了一次非常规的测试。为简化流程，我们仅选用难度较低的英语阅读题，尝试让视频模型「观看」试卷并作答。

虽然只是一次非常简单的测试，结果却非常清晰，问题也相当明显：

1.  严重的幻觉问题：模型非常容易自行想象，这点 ChatGPT 和元宝都有体现，但元宝更为明显。元宝在测试第二篇阅读时，就开始凭空编造一篇完全不存在的文章和题目，导致最终无法进行测试。

英语卷的第二篇阅读，讲述的是一位九年级写作老师关于如何教授学生「写作为什么重要」的反思。文后的 24 题，则是提问第一段提到了哪些人物。

而在对元宝进行测试的时候，元宝不断在屏幕还没有出现选择题时，直接编造一道选择题并回复答案，导致测试无法进行。

在发现问题后，我们向模型提问，这篇文章讲了什么，模型的回答也很是诡异——与原文仿佛相似，但是实际上是完全不同的故事。

2.  被动的交互模式。为了模拟真实考试，我们在测试中，要求模型看到题目的时候，直接回答答案，不需要解释也不需要等人问。尽管 ChatGPT 声称可以看到题目直接作答，但实际并不会主动进行。整个过程需要测试人员通过语音不断提示、引导，距离「全自动解题」相去甚远。

3.  混乱的结果：在每次看到题目，给定更加精密的提示词的情况下，我们勉强从 ChatGPT 处得到了一组答案，但这个结果参考价值并不大。

稍多几次测试就会发现，翻页的速度变化、镜头的晃动程度变化，提示词出现的时间变化，甚至差不多的流程重复同一个问题，都会导致模型给出截然不同的答案。   

虽然视频模型也是 GPT-4o 模型，和 GPT-4o 模型直接按照图片作答的稳定性和准确性相距甚远。   

而且幻觉问题会随着上下文的长度越来越严重。在被问及第三篇文章讲了什么的时候，GPT-4o 回答的是第一篇的主要内容。到了最后一篇文章，模型的正确率和蒙的也差不多了。 

今天的视频大模型，像极了去年的图像大模型，仍处于非常早期的阶段。各家大模型产品也并没有想在目前阶段主力推广这一功能——GPT-4o 的视频通话功能在不长的测试时间后，迅速达到了当日限额。

想在目前阶段，单纯依靠它在考场作弊，还需要担负必须不断跟它说话、答案完全不准等巨大风险，基本属于科幻情节。

尽管如此，在模型表现较好的时候，AI 能够在看到屏幕几秒内，马上很肯定地讲解出屏幕上的英文在讲什么，确实也是一种让人感觉十分惊艳的体验。

08 彩蛋 2 : 仿生人会爱上自己生成的电子羊吗？

自古「文无第一，武无第二」。在人类创作者中，风格流派各异，喜欢现实主义的人有时候就是「get」不到意识流的文风。

那么，在 AI 的世界里呢？大模型是否也存在审美偏好呢？它会因为更欣赏自己的文风，从而在给其他模型打分时产生偏见吗？

我们进行了一项有趣的尝试：让参与本次评测的大模型们，对彼此生成的作文进行交叉打分和排序。

测试选用的是作文题目的第一次采样结果。

图片里横向是鉴定师，而竖向是作品。我们标蓝了模型认为的前三名作文，和人类认为的前两名作文。

根据这个不完全统计，模型并没有表现出对自家作品的特殊偏爱，有时候反而可能给自己打低分——比如元宝的作文，在人类和其他模型的横评中，都取得了很高的分数，但在自己的评测中，反接近最低分了。

AI 与人类判分员的审美，大方向仍然是一致的。

可能真的只是和我们普通人类一样吧：我知道什么是好的，就是写不出来。

09 结语

今年，或许是高考测试对大模型仍具挑战意义的最后一年。

当 AI 已经能展现出冲击顶尖学府的实力时，这个人类社会的智能筛选器，可能未来不再能成为对 AI 有区分度的测试了。

高考测试，不仅仅是一场对人类智慧与 AI 智慧的对比，也是我们观察 AI 智能发展的一个刻度表。

过去一年，我们对 AI 能力的直观感受和多次验证，正在不断地提醒我们：AI 正加速逼近甚至超越普通人的能力边界。

但它的发展并非线性——它能攻克人类眼中的难题，却也会在看似简单的题目上意外失足。

正因如此，高考，这个完美融合了知识掌握、逻辑推理与应试策略的综合场景，让AI展现出了它最迷人而矛盾的一面：它时而展现出顶尖人类的才华，轻而易举地攻克难题；时而又暴露出孩童般的认知盲区，在基础问题上犯下令人啼笑皆非的错误。

感谢高考。它用一种我们最熟悉的方式，为 AI 的通用智能水平提供了一张刻度清晰、极具参考价值的「快照」，而这，很可能是最后一张了。

AI 的下一站，终将是更复杂、更广阔的现实世界。考试，只是它漫长征途的起点，而非能力边界的终点。

这张快照，最终将成为它成长相册里，一张记录了进化途中的光荣与笨拙的泛黄的旧照片。

本文来自微信公众号 “极客公园”（ID：geekpark），作者：Li Yuan，36氪经授权发布。