2025年高考數學考場外，當考生們還在為立體幾何的輔助線抓耳撓腮時，六大頂尖AI模型也交出了它們的答卷——在總分73的2025年新課標Ⅰ卷客觀題測試中，豆包與元寶以68分并列第一，OpenAI o3卻以34分慘遭墊底。
?

?
在單選題戰場，豆包、通義、元寶和文心曾攜手斬獲35分，DeepSeek 因兩道題失誤，單選題拿下30分，而 o3則慘遭滑鐵盧，單選題的得分僅為20分，錯了一半的題目。
?

?
而在多選題方面，豆包、DeepSeek 和元寶均表現完美，三道題全對，展現出強大的穩定性。相對來說，通義的表現雖然快速，但在關鍵時刻的判斷失誤也導致得分不理想。
?

?
在填空題的測試中，文心X1明明算出了公比2或-2，卻因畫蛇添足加了句"通常取正值"，與滿分失之交臂。
?

最令人難以置信的是，o3連"送分題"都啃不下——面對等差數列的充要條件證明，它前兩步推理如行云流水，第三步卻突然開啟胡說八道模式，最終算出個選項里根本沒有的答案。

?

基于以上表現得出了豆包和元寶并列第一，OpenAI o3墊底的結論。

?

然而，這樣的結論卻引發了爭議。很多網友表示該結論缺乏公正性和客觀性。
?
總的來說，爭議點主要集中在以下幾點：

?

1. DeepSeek作為非多模態大模型，卻被當作多模態模型來測評
測試者把圖表交給DeepSeek 解讀，并指責DeepSeek 「對圖表視而不見蒙答案糊弄人」。
?

?
2. o3 網頁版存在降智情況，不符合真實表現
O3的降智導致測試結果墊底，但明明知道o3可能會觸發降智，卻僅僅在網頁端測試，這樣的答案是否具備客觀公正性？
?

3. 僅僅通過模型網頁端發送題目截圖，測評方法缺乏嚴謹性
考慮到測試的是模型的數學推理能力，很多網友認為應該使用學術界最廣泛使用的數學公式排版語言LaTeX進行測評，不應該簡單采取發送截圖的方式。

?

綜上，對于這樣的結論，大家的看法各不相同。

?

但可以肯定的是，隨著AI技術的高速發展，AI大模型的推理能力已經上升到新的高度，這些頂尖大模型的差距，也不再像幾年前那么明顯了。相信在未來，各大模型在推理能力方面的差距，將會進一步減小。

?
對于這樣的測試結果，大家怎么看？歡迎在評論區留言討論~

?