摘要
1) 一句话总结 作者通过将2025年高考数学全国一卷客观题转化为LaTeX文本，对7款主流推理大模型进行了严格控制变量的纯数学能力测试，结果显示各模型表现优异且差距极小，其中Gemini 2.5 Pro获得满分。
2) 核心要点
- 测试范围：2025年高考数学全国一卷，剔除解答题及带图表的第6题，保留7道单选、3道多选、3道填空，满分68分。
- 参测模型：OpenAI o3、Gemini 2.5 pro、DeepSeek R1、豆包（1.5-thinking-pro）、元宝（混元T1）、千问3（235B）、讯飞星火X1。
- 控制变量：题目全部转为LaTeX文本格式输入；关闭联网、代码沙盒及Prompt引导，仅测试纯推理能力。
- 计分规则：严格遵循高考判分标准（多选漏选按比例给分），每题测试3次并按正确比例计算平均分，以减少幻觉干扰。
- 得分排名：
- 第一名：Gemini 2.5 Pro（68分，满分）。
- 第二名：豆包、元宝、星火（67分，均在第9题漏选）。
- 第五名：DeepSeek R1（66.3分，因第11题输出格式问题丢0.7分）。
- 垫底：Qwen3、OpenAI o3（65.3分，均在填空题错1次）。
- 核心结论：当前主流推理大模型应对高考数学客观题已无明显难度，彼此间能力差距极小，错误多为轻微幻觉。
3) 风险与不足
- 多模态识图风险：直接使用截图让大模型做数学题存在极高的OCR识别错误风险（如将数学符号“\complement_{U} A”错误识别为“CuA”），会导致评测结果严重失真。
- 输出格式风险：部分模型（如DeepSeek R1）在逻辑计算正确的情况下，可能因输出回答时的“抽象”表达或格式不规范导致意外失分。
正文
这两天，很多媒体都在写用AI考高考题的内容。
我本来真的没打算卷这个选题，因为知道大家肯定都会写，都会卷，我也想休息休息，真的就不打算写了。
但是吧，用AI测语文考试还没啥，但是看了一些用AI做数学考试的文章，真的给我看的一脸地铁老头表情包，就，那个测试方法，也特么太扯淡了。
我觉得既然是考试，那就公平公正的去测试？
当然，你要是玩整活，那就另谈了。
结果最后得出一些不太靠谱的结论，我觉得还是蛮误导大家的。
客观、公平、公正，是我觉得最核心的标准。
所以我觉得，我想按照我的玩法，再严谨一点的测一下大模纯数学能力型高考，给大家看一下，真实客观的评分。
测试试卷为2025年数学全国一卷。
测试规则如下：
-
不考解答题（因为给我标准答案我也看不懂，不知道咋给分。。）
-
所有的题目截图全部使用LaTeX编辑器转成LaTeX文本格式，再扔给大模型进行回答。
LaTeX是学术界最广泛使用的数学公式排版语言，能最精确地表达数学符号，我们考的是模型的数学能力，不是考模型的多模态识图能力，比如DeepSeek根本就没多模态，用的是OCR提取文本，很可能识别错误，所以截图上传不公平，一律转化成LaTeX格式再进行统一测试。
- 剔除掉单选题第6题，因为这是单选、多选、填空题中唯一有图表的，转成文字可能会有理解歧义，同时就一题，影响不大，直接剔除。
-
单题计分方法也依照高考判分原则：单选题7道，每道5分，选项正确计分，错误不得分；多选题3道，每道6分，全对计6分，漏选按正确答案数量计分，如答案为ABCD，漏选其一扣1.5分，错选不得分；填空题3道，每道5分，填空正确计分，错误不得分。
-
每道题都会使用大模型跑3遍，根据正确比例进行分配，最大程度减少幻觉。比如OpenAI o3模型，做单选题第7题，对2次，错1次，则实际得分为5*0.66=3.3分。
-
只开推理、不使用Prompt引导、不开联网、不允许写代码在沙盒进行计算，比如o3，我直接把这几个功能关掉了。
以上，就是全部规则了。
接下来，请我们的模型考生入场。
测试模型为 OpenAI o3、Gemini 2.5 pro、DeepSeek R1 、豆包（ 1.5-thinking-pro） 、元宝（混元T1）、千问3（235B）、讯飞星火X1， 均为推理模型。
在晚上凌晨2点开始测试，因为搞API写脚本反而可能更麻烦，所以直接搞了个表格，复制粘贴测了，以至于喊了我的几个好朋友@卡尔的AI沃兹、@Max、@猫先生 一起测，硬生生测到凌晨4点。
7道单选题、3道多选题、3道填空题，总分一共68分。
我们得出了，我认为，非常公平客观的，每个模型的考试结果。
没有收任何家钱，也没有任何利益关系，全部客观公正。
如下图：
看看每一题的具体选项。
第9题是个非常神奇的题目，是个多选题，只有Gemini 2.5 Pro每次都对了，其他的所有大模型，几乎全都有问题，D选项倒是全都答出来了，但是缺了B。 而那个DeepSeek第11道题错的那道题，其实并不是真做错了，明明做对了，但是非要作死的瞎答，比如11题多选题，DeepSeek R1错了一道题。 但是我给你看看，它其实是这么错的。 真的，太抽象了。。。
再看看，最终分数。
Gemini确实非常强，在整个逻辑上，没有一题是错的。
而豆包、混元、星火位列第二梯队，在第9题上漏了一个选项，并列屈居第二。
DeepSeek半对半错了一个多选题，丢了0.7分，排名第五。
而Qwen3和OpenAI o3因为两个都错了1次填空题，只能被迫垫底。。
通过我的测试，我相信，大家应该对于模型的数学能力，有一些了解了。
其实，根本拉不开差距，出错一般也都是小小的幻觉。
高考对于现在绝大多数的推理大模型来说，其实真的就是，没有特别大的难度，跟2023年的时候，真的是天壤之别。
很多测出来测的非常离谱的文章，其实最后答案错了，跟推理模型本身没有半毛钱关系，而是你把截图扔过去，各种符号啥的识别错误。
比如 则 \complement_{U} A，硬生生识别成了CuA。
所以，折腾到现在，这场公平、客观的AI数学高考终于落幕了。
在打完最后一个结果的时候，我松了一口气。
其实吧，我们不睡觉，熬夜折腾这么久，想得出的并不仅仅是一个简单的分数。
而是我们我们想知道，怎么才算是一场合格的AI考试。
规则公正，流程严谨，技术中立，少一点博眼球的夸张，多一点对真相的执着。
我始终相信，无论是对技术，还是对人生，严谨总能让我们更接近真实。
而真实，总能让我们更加自由。
睡觉。
起床以后，一定又是美好的一天。