测评结果 - 国产大模型DeepSeek-R1与腾讯混元T1在117分标准化试卷测试中以零错误并列榜首，均获得117分满分 [1][4] - 讯飞星火X1以112分紧随其后，因填空题自我怀疑导致答案不完整 [5] - Gemini 2.5 Pro、OpenAI o3、阿里千问Qwen3和豆包深度思考模式得分均超100分，分别为109分、107分、106分和104分 [7] - Grok 3表现意外，仅得91分排名倒数第三，主要因多选题理解失误 [8] - 智谱清言推理模式得78分排名倒数第二，因逻辑崩溃导致失分 [8] - Kimi k1.5因压轴大题失误得分最低 [10] 测评标准与方法 - 以2025年全国新课标数学I卷（总分150分）为考题，移除图形/图表题后形成117分标准化试卷 [3] - 部分模型因"重要考试期间"限制未参与图形题测试，如讯飞星火X1、豆包深度思考和智谱清言推理模式 [2][3] - 对无限制模型（如Gemini 2.5 Pro）仍测试完整150分试卷以评估最高水平 [3] - 扣分标准遵循高考规则，但解答题仅按结果计分 [3] 模型表现细节 - DeepSeek-R1与腾讯混元T1在代数计算和函数题中展现极高稳定性 [4] - 讯飞星火X1在填空题中因自我怀疑仅输出部分正确答案（"2"而非"±2"） [5] - Grok 3在多选题中固执输出单一答案，导致部分失分 [8] - 智谱清言推理模式多次在最终推理步骤崩溃，陷入逻辑循环 [8] - Kimi k1.5在压轴大题上表现最弱 [10] 行业技术现状 - AI推理大模型在固定步骤和严密逻辑的数学问题上能力较强 [10] - 涉及抽象和创新思维的题目仍是当前模型的局限性所在 [10]