大模型再「战」高考：从一本直升 985

AI快讯 2025-06-27

过去一年，大模型技术迭代迅速，能力边界不断拓展，从写诗作画到视频生成和科学发现均有涉足。为精准、客观地衡量 AI 的能力，极客公园延续去年的传统，再次搭建「AI 高考」考场，让国内外主流大模型使用 2025 年新高考山东卷进行测试。此次参与测试的模型包括豆包、DeepSeek（R1 - 0528 版）、ChatGPT（o3）、元宝（Hunyuan t1）、Kimi（k1.5）、文心一言、通义千问等。

为保证测试的公平性与贴合实际使用场景，评测均在各模型的公开 PC 端进行，采取采样两次取平均分的形式。能关闭联网能力的产品统一关闭联网功能，默认开启深度思考模式但不开启研究模式。非选择题由两名专业同学打分，有较大分歧时引入第三人讨论定分，并邀请高中老师抽检。此外，特邀资深教师对 AI 作文进行匿名评审，由于无法获取英语听力试题，所有模型该项均计满分。

测试结果显示，AI 的综合能力有显著提升，首次展现出冲击顶尖学府的潜力。与 2024 年相比，所有参与测试的大模型在文理科成绩上均大幅飞跃。据估计，此次高考成绩最佳的豆包能排进山东省 500 - 900 名，有机会考入人大、复旦、上海交大、浙大等名校的人文社科类专业。

各大模型的文科总分平均增长 115.6 分，理科总分平均增长 147.4 分，虽然理科增速更快，但文科平均总分 228.33 分仍高于理科的 181.75 分，不过整体来看，大模型不再严重 “偏科”。

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，甚至超过了语文和英语。这表明未来 AI 可能更擅长处理逻辑性强、有标准化解题路径的题目。例如，在总分为 150 分的数学考试中，表现最差的 AI 模型也拿下了 128.75 分的高分，而去年表现最好的模型也未达及格线。

多模态能力成为拉开差距的关键。与去年相比，模型的视觉理解能力显著提升，在包含大量图像题的物理、地理、生物学科中体现明显，这几科的平均分分别提升了约 20 分、20.3 分、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。

尽管 AI 成绩进步明显，但在一些方面仍暴露出问题：

数学基础题失误：在数学考试中，整体成绩出色的大模型却在一道基础向量加减法单选题上集体出错。原因是题目配图的视觉信息混乱，“脏数据” 导致大模型读取题目信息时出错，即便其背后数学推理能力强大，也无法正确作答。
语文作文模板化：作为大语言模型，语文和英语曾是 AI 的传统强项，但如今其语文和英语能力在数理逻辑大幅进步的对比下，显得有些不足。在语文作文上，AI 作文平均分高于人类，但难有佳作。今年新课标卷的作文题，7 大模型整体均分 50.75 分，均分区分度较低。AI 作文虽立意准确、语言流畅、论据丰富，但论述不深刻，举例雷同，缺少温度和共情，结尾升华也较为套路。
英语作文受制约：AI 在英语科目上的表现进入平台期，所有参评模型的平均分仅比去年提高 3.2 分。作文题可能是主要拖累因素，一方面 80 词的微型写作对字数控制要求高，AI 难以精准把握；另一方面，AI 缺乏应试智慧，不会为得分刻意优化句式复杂度。此外，中外模型在作文上呈现 “主客场反转” 现象，中文作文中以 ChatGPT 为代表的 “洋考生” 表现出色，而在英文作文上，“中国考生” DeepSeek 和豆包则超越了 ChatGPT。
理综仍有提升空间：理综三科有一定进步，所有模型都提分 10 - 20 分，但整体成绩仍在及格线附近徘徊。物理是进步最快的科目，平均分提升了 20.25 分，ChatGPT 和豆包在客观题和填空题上表现出色；化学成为拉低理综总分的 “重灾区”，整体得分偏低，仅有豆包勉强及格，主要因为化学题目高度依赖复杂图形，大模型理解困难，有机物大题更是所有大模型的软肋；生物科目则在需要严密逻辑推理的遗传题上表现不佳，如第 22 题遗传大题，得分最高的 ChatGPT 也仅拿到 9 分。
文综仍是舒适区但有挑战：文科综合依然是 AI 的高分舒适区，元宝更是将文综最高分推升至 253.5 分。地理科目因多模态能力提升，平均分激增 20.3 分，但在高度专业的复杂图形理解上仍有困难；政治和历史科目分数基本处于高位平台期，AI 在精准理解考纲、运用学科语言、多维度深度分析等方面还需提升，如 DeepSeek - R1 因思路发散偏离考点失分，在历史小论文上，AI 普遍论述单薄。

此外，文章还设置了两个彩蛋测试：

AI 眼镜用于作弊的可行性测试：选择 ChatGPT 与元宝，用英语阅读题测试 AI 眼镜实时视频理解功能在考场作弊的可行性。结果发现存在严重幻觉问题、被动交互模式以及结果混乱等情况，表明当前视频大模型仍处于早期阶段，难以用于考场作弊。
大模型审美偏好测试：让参与评测的大模型对彼此生成的作文交叉打分和排序，结果显示模型没有表现出对自家作品的特殊偏爱，且与人类判分员的审美大方向一致。

高考测试为 AI 的通用智能水平提供了参考，但随着 AI 能力的提升，未来高考可能不再能有效区分 AI 的能力。AI 的发展虽已逼近甚至超越普通人的能力边界，但发展并非线性，未来它将走向更复杂、更广阔的现实世界。