過去一年，大模型的世界幾乎是「狂飆」的同義詞。技術以周為單位迭代，能力邊界從寫詩作畫，一路拓展到影片生成和科學發現。
然而，拋開那些宏大敘事，我們該如何為 AI 的能力找到一個精準、客觀的刻度？
恐怕沒有哪種方式，比「高考」更能直抵每一箇中國人的內心。
去年，極客公園就做過一期 AI 高考模擬測評。延續去年的傳統，極客公園今年再次搭建「AI 高考」考場，讓國內外主流大模型再次走進考場。
再次走入考場的「AI 考生」們，不僅治好了去年文科偏科的毛病，還取得了足以考進山東省內 1000 名的高分。
然而，就在我們以為它已經「進化」時，它卻又常在意想不到的地方，暴露了自己真實的「智商」。
一些關鍵發現如下：
-
AI 首次有望衝擊頂尖學府： 今年，AI 的綜合能力首次展現出足以考上頂尖學府的潛力。與 2024 年相比，所有參與測試的大模型在文理科成績上均實現了顯著飛躍。由於山東省採取賦分的報考策略，無法直接與分數段相比較，我們估計此次高考的狀元豆包，能夠排進全省的 500-900 名，考入人大、復旦、上海交大、浙大這些名牌大學的人文社科類專業。
-
大模型不再嚴重偏科，理科進步更快： 各大模型的文科總分平均增長了 115.6 分，理科總分平均增長了 147.4 分。儘管理科的增速更為迅猛，但其 181.75 分的平均總分仍低於文科的 228.33 分。總體來看，今年大模型的總分表現已不再嚴重「偏科」。
-
數學能力大幅增強，超越語文、英語： 數學是本年度進步最顯著的科目，平均分較去年提升了 84.25 分。AI 在數學上的表現甚至超過了語文和英語，這預示著未來 AI 可能更擅長處理邏輯性強和有標準化解題路徑的題目。
-
多模態能力成為拉開差距的關鍵： 去年到今年，模型的視覺理解能力顯著提升，這一點在包含大量影像題的學科中尤為突出。與去年相比，物理和地理的平均分提升了約 20 分，生物提升了 15 分。化學科目整體表現稍弱，僅「豆包」模型及格，但全員平均分也比去年提高了 12.6 分。作為彩蛋，我們今年也嘗試讓 AI 在影片流中答題。
01
從一本到頂尖大學
如果說去年的 AI 還只是一個剛摸到一本線的優秀生，那麼今年，它們已經成長為足以衝擊中國頂尖學府的學霸。
這背後，究竟發生了怎樣的蛻變？
在深入具體的變化之前，我們先介紹一下此次參與考試的國內外考生：
為了更貼合讀者的使用體驗，本次評測均在各模型的公開 PC 端進行，測評採取取樣兩次取平均分的形式。
目的是考察模型的綜合能力，此次測評的方式是直接讓模型識別影像作答。DeepSeek-R1 目前仍然不支援圖片識別作答，因此只測試了純文字題目，最終成績參考性不強。
其他測試細節如下：
-
此次測試選用 2025 年新高考山東卷作為本次評測的測試卷。原因有二：首先，山東卷是網路上能最快獲取到的高考試卷之一，保證了評測的時效性。其次，它的綜合難度在各省份中名列前茅——其語文、數學、英語三科採用全國一卷，其餘科目則為自主命題。這樣一把高難度的「標尺」，更能探知當前大模型能力的上限。
-
為保證公平並考察模型的通用基礎能力，在可以關閉模型聯網能力的產品中，統一關閉了模型的聯網功能，以杜絕「搜題」的可能。o3 和文心無法關閉聯網，不過檢查模型思考過程發現，文心沒有發生聯網搜題的情形，o3 發生少量搜題情形，但沒有明顯收益，得分率反而低於非聯網答題。同時，我們預設開啟了深度思考模式，但沒有開啟研究模式，以模擬使用者在標準互動下的即時問答場景。 -
非選擇題各學科分別請兩名專業同學打分，如存在題目分值 1/6 以上的差異，則引入第三人討論定分（與真實高考判卷流程一致），並邀請參與過真實高考打分的高中老師抽檢，對存在差異的題目統一標準。 -
在評分環節，我們做了兩項特殊處理：我們特邀了資深教師進行對 AI 作文進行匿名評審，以保證客觀公正。此外，由於無法獲取英語聽力部分的試題，我們設定所有模型在該項上均計為滿分。
最終，各位考生的成績如下：
過去一年，大模型的深度思考能力，帶來了模型能力的明顯進步。
模型不再不是直接產出答案，而是逐步分析、分解問題、檢查中間結果，甚至自我修正，帶來了模型在數理考試中的表現的大幅提升。
總分為 150 分的數學考試中，即便是本次測試中表現最差的 AI 模型，也拿下了 128.75 分的高分——這在人類考生中也屬於優秀水平。
而回顧去年，表現最好的模型，也只達到了 70 分，連及格線都沒到。
數學能力的進步，直接帶動了今年大模型整體高考成績的大幅提升。
多模態能力，成為決定大模型能力表現差別的另一個關鍵因素。
在去年的高考測試中，不少模型還不具備成熟的圖片識別能力。極客公園當時採用的評測方式是：能識圖的模型使用圖片配合文字輸入，而無法識圖的模型則只輸入文字，同時輔以 Markdown/LaTeX 格式幫助識別公式。
而進入今年，多模態能力是主流模型的標配功能。因此，我們首次在測試中採用純圖片題目測試（DeepSeek除外）。
在多個模型中，豆包、ChatGPT最先進的模型都是多模態版，在影像問題上體現出明顯優勢。
Qwen3、文心 X1 都是語言模型，處理影像問題時可能是用 OCR 識別文字後回答，或是呼叫視覺模型，在影像類問題上表現較弱。
不過，即使是影像問題得分最高的豆包和 ChatGPT，影像問題的得分率僅為 70%，相比文字問題 90% 的最高得分率有較大差距，可見大模型在多模態理解和推理上仍有很大的提升空間。
可以預見的是：隨著多模態能力的持續進步，明年AI的高考成績還會繼續提升。考不過AI，終將成為大多數人類的常態。
然而，AI 終究沒有拿下全滿分的成績。是什麼絆住了學霸級的 AI？答案可能比想象中的有趣。
02
數學逼近滿分的 AI 天才們，
齊齊敗在一道基礎題上
在整場 AI 高考的測評中，「AI 考生」復讀了一年後，在數學科目上的進步十分矚目。
在 2024 年的測評中，當時的 AI 考生們在填空題和解答題上表現慘淡，得分普遍在 0 至 2 分之間徘徊，最終 9 款參評模型的數學成績的平均分僅為 47 分。
而今年，則完全不同。
可以看出，無論是客觀選擇題，還是複雜的主觀解答題，新一代大模型的正確率都今非昔比。這清晰地表明，大模型自身的能力，尤其是核心的推理能力，已經取得了根本性的突破。
如果說去年的模型還只是一個能勉強套用求導、三角函式等基礎公式的「初學者」，那麼今年的模型，則已經進化成一個能夠從容應對複雜推導和證明的「解題高手」了。
一定程度上，這樣的結果在預料之中。自從 AI 進入推理模型時代，一個標誌性進展便是數理能力的大幅提升。
當模型擁有了自我思考與自我糾錯的能力，它就像一個從前張口就回答問題的孩子，成長為一個會先深度思考再給出答案的大人，邏輯能力實現了質的飛躍。
要知道，今年高考新課標一卷的數學題被考生普遍認為難度極高，「像競賽卷」，導數、圓錐曲線等壓軸題思路晦澀，計算量極大，甚至出現「學霸考哭」的現象。
然而，面對這樣一份高難度試卷，頂尖的大模型們依舊錶現得遊刃有餘。
相較之下，AI 的多模態能力的進展倒還在其次。數學科目中，只有 20 分的影像問題，不是此次模型大幅度提分的重點。而大多數模型，也都在影像題中取得了 15 分的成績。
為什麼是 15 分？
這就很有趣了。這些整體都考了 130 分以上的大模型，放在人類社會里，也算是數學尖子生了，竟然在同一道選擇題上出現了錯誤。
難住他們的，不是什麼壓軸大題，而是一道單選題——甚至不是很難的單選題。
這道題的數學原理非常簡單，是一道基礎的向量加減法題。只需在圖上連線 (0,2) 與 (2,0) 兩點，即可得到目標向量，模長 2 倍根號 2。
即便對數學不甚瞭解的人，透過肉眼觀察圖中的線段，也能估算出其長度不會超過 3.3。
然而，就是這樣一道題，難住了所有數學學霸 AI。
核心矛盾在於：題不難，但圖難。
對於大模型而言，這張圖的視覺資訊極其混亂：虛線、實線、座標軸、數字、文字相互交織，甚至文字與關鍵線段存在多處重疊。這種視覺上的「髒資料」，成為了 AI 精準識別的噩夢。
以本次數學表現最佳的豆包為例，它的解題過程暴露了問題的根源：它從最開始讀取題目資訊時，就已然出錯。
從題目就讀錯了的情況下，無論其背後的數學推理能力有多麼強大，也終究是無源之水，無本之木。
03
AI 寫作文：擅長舉例子，但不擅長思辨性地昇華
作為所謂大語言模型，語文和英語一向是 AI 的傳統強項。
不過有趣的是：在大模型的數理邏輯大幅進步後，大模型的語文和英語能力反而顯得有點不夠看了。
這與現實世界也是一致的：一名頂尖考生或許能在數學上拿到滿分，卻極難在語文科目上獲得同等分數。AI似乎也觸碰到了同樣的瓶頸。
仔細研究語文卷面可以發現，AI 的失分點頗為有趣。在選擇題部分，除豆包和 DeepSeek-R1 以外，其餘模型的錯誤率均在 20% 以上。
這種現象或許揭示了 AI 與人類不同的一個困境：對於人類考生，組織語言、闡述觀點時，可能更容易因疏漏而失分；但對於 AI，要讀一段長材料，在一組高度迷惑性的選項中，精準辨析每一個細微的語義差別和邏輯陷阱，難度可能反而更高。
而在備受矚目的作文題上，AI 的表現則延續了去年的趨勢：平均分高於人類，但難有真正的佳作。
去年，特邀閱卷老師的評價就已指出，AI 作文大多屬於穩妥的「二類文」，很少偏題，但因其深刻性、豐富性、創造性不足，難以產生動人心絃的「一類文」，其結尾部分的昇華更是套路化明顯。
今年，依舊如此。
7 大模型整體均分 50.75 分，均分割槽分度較低，各模型能做到立意準確、語言流暢、論據豐富，但論述不深刻，舉例雷同，相比人類範文模型作答缺少溫度和共情。
今年的新課標卷的語文作文考題為：
全國一卷作文「民族魂」
閱讀下面的材料，根據要求寫作。（60 分）
他想要給孩子們唱上一段，可是心裡直翻騰，開不了口。
——老舍《鼓書藝人》
假如我是一隻鳥，我也應該用嘶啞的喉嚨歌唱
——艾青《我愛這土地》
我要以帶血的手和你們一一擁抱，
因為一個民族已經起來
——穆旦《讚美》
以上材料引發了你怎樣的聯想和思考？請寫一篇文章。
這是在一次取樣中，元寶生成的 AI 作文。它在人類閱卷老師處獲得了 53.5 分的高分，是 AI 作品中的佼佼者。
然而，細究其文，AI「模板化」的問題依舊暴露無遺。
比如這篇文章的中間幾段，先是提出「歷史上閃耀著這樣的精神火光」的觀點，隨即並列引用三到四位歷史人物；接著，引出「真正的擔當帶著疼痛的底色」的論點，再列舉三到四位經歷苦難的人物；最後，論及當代精神，再次列舉三到四個當代人物。
AI 作文的語言不可謂不華麗，引經據典也自然十分豐富充滿細節，但邏輯上像不像你的家長對你說，你看看誰誰誰都怎麼樣了，你是不是也該怎麼樣？
或許在精細調整提示詞的情況下，AI 能寫出觸達人心的作品。
但目前，AI 的自主創作更像是在執行一個固化的寫作模板：用排比式的案例填充框架，最終導向一個略顯生硬的僵化昇華。 它能寫出看似優秀的段落，卻難以織就一篇真正動人的文章。
04
英語：主要被作文分數拖累
與語文相似，AI 在傳統強項——英語上的表現，也進入了一個平臺期。
去年，各家 AI 的英語成績已然不錯，今年的模型能力並未產生飛躍。事實上，所有參評模型的平均分僅比去年提高了 3.2 分，進步幅度遠小於數學。
而模型的整體分數，也落在了 130-140 分的區間，並未到達人類學霸的水平。
按理說，這稍顯反常。
AI 的英文水平是有目共睹的，或許比不少英文專業的學生講出的英語更正宗。
而高考英語這張試卷，本身遠未觸及母語者的語言天花板，且相較於包含古文的語文，其客觀題佔比更高、作文要求更簡（僅 80 詞），也並不追求立意高遠，理論上是 AI 更容易獲得絕對優勢的戰場。
然而，AI 考生並未在此表現出更強的統治力。
那麼，瓶頸究竟出在哪裡？作文題可能是一大拖累。
這背後有兩個可能的原因：
- 苛刻的字數限制：
在語文寫作中，AI 就已經暴露出了時而「話癆」時而「不愛說話」的屬性，但在長篇寫作中，字數要求不是那麼苛刻。但在 80 詞的微型寫作中，精準控制字數就成了一大挑戰，稍有不慎便會因超詞/少詞而被扣分。 - 缺乏應試智慧：
在有限的篇幅內，人類考生會有意識地使用更高階句式、時態來「炫技」以博取高分。而 AI 的目標通常是清晰、完整地傳達資訊，它不會刻意為了得分而最佳化句式複雜度，因此在評分細則上可能吃了暗虧。
而本次評測最有趣的一點，莫過於中外模型在作文上呈現的「主客場反轉」現象。
在中文作文這一「客場」，以 ChatGPT 為代表的「洋考生」拔得頭籌；
然而在本應是其「主場」的英文科目上，它卻不敵「中國考生」——DeepSeek 在選擇題上甚至拿了滿分，而最終總成績上，DeepSeek 也與豆包一同超越了 ChatGPT。
05
理綜三科：有進步，但仍然不算十分優秀
如果說 AI 在數學上的進步是「一飛沖天」，那麼在理綜三科上的表現，則更像是一次「破冰啟航」。
相較於去年，理綜三科有一定進步——所有模型都提分 10-20 分，但整體成績依舊掙扎在及格線附近，清晰地標示出 AI 與頂尖人類考生之間的能力鴻溝。
相比於數學，理綜三科既考驗邏輯能力，又考驗多模態能力——物理化學兩科的圖題佔 80% 以上，生物的圖題也佔全部題目的一半左右。
而今年，讀圖能力的解鎖，加上模型推理能力的增強，共同帶動了理綜能力的進步。
不過正如絆住 AI 的數學題所展現的一樣，能「看見」，不代表 AI 能「看懂」。
這在大模型在化學上的表現不佳上，能清楚地展現出來。化學題目對圖片的依賴性強，且化學題目圖片的複雜程度更高，此時 AI 的短板便暴露無遺。
目前，頂尖 AI 的理綜成績大致相當於中上游的人類考生水平，但遠未達到「學霸」級別。正所謂「卷子越難，差距越顯」，在綜合性與深度並存的理綜試卷上，AI 尚未具備穩定碾壓人類考生的實力。
分科來看這次 AI 的成績：
物理，進步最快的「排頭兵」
物理是此次理綜三科中進步最快的「排頭兵」，平均分提升了 20.25 分。
在客觀題和填空題上，ChatGPT 的選擇題正確率高達 92.13%，豆包也達到了 89.81%，展現了對物理基本概念和規律的紮實掌握。
化學：被複雜圖形拖累的「重災區」
相比之下，化學成為了拉低理綜總分的「重災區」。整體得分偏低，僅有豆包勉強及格，選擇題和填空題的平均得分率均低於 60%。
其核心痛點在於對複雜化學圖形的雙重依賴：不僅題目本身高度依賴圖片（如實驗裝置、反應流程圖），且化學結構圖的複雜程度，也常常超出當前模型精準理解的極限，導致失分嚴重。
有機物大題依舊是所有大模型的主要軟肋。例如，滿分為 12 分的第 25 題（有機化學），所有模型得分極低。該題主要考察有機物合成路徑與結構，評測中沒有一個模型能夠正確生成有機物的結構簡式，對有機物的空間結構理解也相當薄弱。
生物：折戟於遺傳計算的邏輯關
生物科目的短板則精準地暴露在需要嚴密邏輯推理的遺傳題上。例如，分值高達 16 分的第 22 題（遺傳大題），大模型普遍表現不佳，得分最高的 ChatGPT 也僅拿到 9 分。該題重點考察基因型分析、遺傳機率計算等，這恰恰是考驗模型在抽象資訊基礎上進行多步推理的能力。
06
AI 仍然偏科，文綜是舒適區
在今年的 AI 高考評測中，一個清晰的趨勢得以延續：文科綜合依然是 AI 的高分舒適區。
早在去年，ChatGPT 就已拿下文綜 237 分的高分。而今年，元寶更是將文綜最高分推升至 253.5 分，這一成績，與理科綜合最高分（213.25 分）形成了鮮明對比。
相比去年，文強理弱的偏科問題雖有緩解，但基本格局並未改變，這與人類考生相反。在人類考生中，理綜最高分往往比文綜最高分高出不少。
在無需聯網的情況下，頭部 AI 在文綜上的得分率已超過 80%，達到了人類優等生的水平。
今年的分數增長，主要由地理科目貢獻。細分來看，各科的進展與瓶頸也愈發清晰：
最大看點無疑是地理。得益於多模態能力的飛躍，AI 在地理圖題上的理解力顯著增強，使得該科目平均分激增了 20.3 分，成為進步的火車頭。
地理題上想更進一步，面對的挑戰與理科中的化學如出一轍——對高度專業的複雜圖形，AI 理解依然吃力。例如，在失分最嚴重的第 19 題（地形地貌綜合分析題）上，模型的表現可謂「潰不成軍」：
第（1）問關於地貌走向的判斷，僅有極少數模型答對。
第（2）問關於「拔河高度」的專業概念計算，所有模型均告失敗。
與之相對，政治和歷史科目的分數則基本處於高位平臺期，並未呈現顯著進步。
對於這兩個科目，挑戰已經進入了更難的範疇：能否精準理解考綱、運用學科語言、並進行多維度深度分析。對於人類考生而言，這也需要專門的訓練了。
例如，DeepSeek-R1 就因思路過於發散、偏離考點而大量失分。而在歷史小論文上，AI 普遍難以做到對歷史原因進行深刻的多維度剖析，論述仍顯單薄。
一個小細節很有趣，與中國模型提分相對應的是，今年ChatGPT的文綜分數不升反降。
這種「主場優勢」也從側面體現了了，在通往通用人工智慧的道路上，對地域性規則的深刻理解與適應，依然是不可或缺的一環。
07
彩蛋 1：AI 眼鏡能用來作弊嗎？
從去年到今年，AI 眼鏡等「視覺 AI 硬體」無疑是科技界最炙手可熱的焦點。其背後的核心驅動力，正是大模型的即時影片理解功能的出現。它意味著 AI 正從被動接收指令，進化到主動感知和理解物理世界。
巧合的是，今年的高考也迎來了一項新變化：考場安檢門全面升級，旨在精準防範智慧眼鏡等新型作弊工具。
這不禁讓人好奇：這些新興的、能與影片進行即時互動的多模態大模型，真的能用來在考場上「大顯神通」嗎？
我們抱著這個疑問，選擇國外的 ChatGPT 與國內的元寶，進行了一次非常規的測試。為簡化流程，我們僅選用難度較低的英語閱讀題，嘗試讓影片模型「觀看」試卷並作答。
雖然只是一次非常簡單的測試，結果卻非常清晰，問題也相當明顯：
1. 嚴重的幻覺問題：模型非常容易自行想象，這點 ChatGPT 和元寶都有體現，但元寶更為明顯。元寶在測試第二篇閱讀時，就開始憑空編造一篇完全不存在的文章和題目，導致最終無法進行測試。
英語卷的第二篇閱讀，講述的是一位九年級寫作老師關於如何教授學生「寫作為什麼重要」的反思。文後的 24 題，則是提問第一段提到了哪些人物。
而在對元寶進行測試的時候，元寶不斷在螢幕還沒有出現選擇題時，直接編造一道選擇題並回復答案，導致測試無法進行。
在發現問題後，我們向模型提問，這篇文章講了什麼，模型的回答也很是詭異——與原文彷彿相似，但是實際上是完全不同的故事。
今天的影片大模型，像極了去年的影像大模型，仍處於非常早期的階段。各家大模型產品也並沒有想在目前階段主力推廣這一功能——GPT-4o 的視訊通話功能在不長的測試時間後，迅速達到了當日限額。
想在目前階段，單純依靠它在考場作弊，還需要擔負必須不斷跟它說話、答案完全不準等巨大風險，基本屬於科幻情節。
儘管如此，在模型表現較好的時候，AI 能夠在看到螢幕幾秒內，馬上很肯定地講解出螢幕上的英文在講什麼，確實也是一種讓人感覺十分驚豔的體驗。
08
彩蛋 2 : 仿生人會愛上自己生成的電子羊嗎？
自古「文無第一，武無第二」。在人類創作者中，風格流派各異，喜歡現實主義的人有時候就是「get」不到意識流的文風。
那麼，在 AI 的世界裡呢？大模型是否也存在審美偏好呢？它會因為更欣賞自己的文風，從而在給其他模型打分時產生偏見嗎？
我們進行了一項有趣的嘗試：讓參與本次評測的大模型們，對彼此生成的作文進行交叉打分和排序。
測試選用的是作文題目的第一次取樣結果。
圖片裡橫向是鑑定師，而豎向是作品。我們標藍了模型認為的前三名作文，和人類認為的前兩名作文。
根據這個不完全統計，模型並沒有表現出對自家作品的特殊偏愛，有時候反而可能給自己打低分——比如元寶的作文，在人類和其他模型的橫評中，都取得了很高的分數，但在自己的評測中，反接近最低分了。
AI 與人類判分員的審美，大方向仍然是一致的。
可能真的只是和我們普通人類一樣吧：我知道什麼是好的，就是寫不出來。
09
結語
今年，或許是高考測試對大模型仍具挑戰意義的最後一年。
當 AI 已經能展現出衝擊頂尖學府的實力時，這個人類社會的智慧篩選器，可能未來不再能成為對 AI 有區分度的測試了。
高考測試，不僅僅是一場對人類智慧與 AI 智慧的對比，也是我們觀察 AI 智慧發展的一個刻度表。
過去一年，我們對 AI 能力的直觀感受和多次驗證，正在不斷地提醒我們：AI 正加速逼近甚至超越普通人的能力邊界。
但它的發展並非線性——它能攻克人類眼中的難題，卻也會在看似簡單的題目上意外失足。
正因如此，高考，這個完美融合了知識掌握、邏輯推理與應試策略的綜合場景，讓AI展現出了它最迷人而矛盾的一面：它時而展現出頂尖人類的才華，輕而易舉地攻克難題；時而又暴露出孩童般的認知盲區，在基礎問題上犯下令人啼笑皆非的錯誤。
感謝高考。它用一種我們最熟悉的方式，為 AI 的通用智慧水平提供了一張刻度清晰、極具參考價值的「快照」，而這，很可能是最後一張了。
AI 的下一站，終將是更復雜、更廣闊的現實世界。考試，只是它漫長征途的起點，而非能力邊界的終點。
這張快照，最終將成為它成長相簿裡，一張記錄了進化途中的光榮與笨拙的泛黃的舊照片。
小米YU7即將正式釋出，這款「致敬」法拉利的純電 SUV 車型，配備了「天際屏」、「車外語音」等炫酷新功能。同時，被雷軍稱為「下一代智慧終端」的小米 AI 眼鏡也將與大家見面。
今晚 18:40，極客公園影片號直播間，一起邊看邊聊「小米人車家全生態釋出會」：新車，新眼鏡，能否載著小米衝向下一個市值高峰？
熱點影片
更多閱讀