2025 年的高考战役已经落下帷幕，但另一场特殊的「高考」却引发了科技界的广泛关注。极客公园再次组织了一场 AI 高考模拟测评，邀请了国内外主流的大模型参与，旨在通过高考这一独特的视角，为 AI 的能力找到一个精准、客观的刻度。这场特殊的考试，不仅是对过去一年大模型技术飞速发展的总结，更是对 AI 未来发展趋势的一次 предвидение。
AI 的飞跃：从一本到冲击顶尖学府
如果说去年参与测评的 AI 还只是能够勉强达到一本线的优秀学生，那么今年，它们已经进化为有潜力冲击中国顶尖学府的学霸。各大模型在文理科成绩上都取得了显著的进步，尤其是在数学科目上，更是实现了质的飞跃。根据测试结果估计，此次高考的 AI 状元有机会进入全省前 500-900 名，足以考入人大、复旦、上海交大、浙大等名校的人文社科类专业。
文理不再偏科，数学能力突飞猛进
与去年相比，各大模型的文科总分平均增长了 115.6 分，理科总分平均增长了 147.4 分。尽管理科的增速更快，但文科的平均总分仍然高于理科，这意味着 AI 在知识的掌握上更加均衡，不再像过去那样严重偏科。值得一提的是，数学是本次测试中进步最显著的科目，平均分较去年提升了 84.25 分。AI 在数学上的出色表现，预示着未来 AI 可能更擅长处理逻辑性强、有标准化解题路径的题目。
多模态能力：拉开差距的关键
从去年到今年，模型的视觉理解能力得到了显著提升，这一点在包含大量图像题的学科中尤为突出。物理和地理的平均分提升了约 20 分，生物提升了 15 分，化学科目整体表现稍弱，但平均分也比去年提高了 12.6 分。多模态能力的提升，使得 AI 在处理复杂信息时更加得心应手，也成为了拉开模型之间差距的关键因素。
解读 AI 考生：深度思考与多模态并重
本次参与考试的 AI 考生包括豆包、DeepSeek（R1-0528 版）、ChatGPT（o3）、元宝（Hunyuan t1）、Kimi（k1.5）、文心一言、通义千问等国内外主流大模型。为了更贴合读者的使用体验，本次评测均在各模型的公开 PC 端进行，测评采取采样两次取平均分的形式。测试过程中，研究人员尽可能地模拟真实高考场景，对模型进行了全面的考察。
测试细节与评分标准
本次测试选用 2025 年新高考山东卷作为测试卷，原因在于山东卷是网络上能最快获取到的高考试卷之一，保证了评测的时效性，且其综合难度在各省份中名列前茅。为保证公平并考察模型的通用基础能力，在可以关闭模型联网能力的产品中，统一关闭了模型的联网功能，以杜绝「搜题」的可能。同时，默认开启了深度思考模式，但没有开启研究模式，以模拟用户在标准交互下的即时问答场景。非选择题各学科分别请两名专业同学打分，如存在题目分值 1/6 以上的差异，则引入第三人讨论定分，并邀请参与过真实高考打分的高中老师抽检，对存在差异的题目统一标准。
数学：逼近满分，却倒在基础题上
在整场 AI 高考的测评中，AI 考生在数学科目上的进步十分瞩目。在 2024 年的测评中，当时的 AI 考生们在填空题和解答题上表现惨淡，得分普遍在 0 至 2 分之间徘徊，最终 9 款参评模型的数学成绩的平均分仅为 47 分。而今年，无论是客观选择题，还是复杂的主观解答题，新一代大模型的正确率都今非昔比。然而，令人意外的是，这些数学天才们却在同一道基础题上栽了跟头。
这道题是一道基础的向量加减法题，只需在图上连接 (0,2) 与 (2,0) 两点，即可得到目标向量，模长 2 倍根号 2。即便对数学不甚了解的人，通过肉眼观察图中的线段，也能估算出其长度不会超过 3.3。然而，就是这样一道题，难住了所有数学学霸 AI。核心矛盾在于：题不难，但图难。对于大模型而言，这张图的视觉信息极其混乱：虚线、实线、坐标轴、数字、文字相互交织，甚至文字与关键线段存在多处重叠。这种视觉上的「脏数据」，成为了 AI 精准识别的噩梦。
以本次数学表现最佳的豆包为例，它的解题过程暴露了问题的根源：它从最开始读取题目信息时，就已然出错。
语文：擅长举例，不擅长思辨升华
作为所谓大语言模型，语文和英语一向是 AI 的传统强项。不过有趣的是：在大模型的数理逻辑大幅进步后，大模型的语文和英语能力反而显得有点不够看了。这与现实世界也是一致的：一名顶尖考生或许能在数学上拿到满分，却极难在语文科目上获得同等分数。AI似乎也触碰到了同样的瓶颈。
仔细研究语文卷面可以发现，AI 的失分点颇为有趣。在选择题部分，除豆包和 DeepSeek-R1 以外，其余模型的错误率均在 20% 以上。这种现象或许揭示了 AI 与人类不同的一个困境：对于人类考生，组织语言、阐述观点时，可能更容易因疏漏而失分；但对于 AI，要读一段长材料，在一组高度迷惑性的选项中，精准辨析每一个细微的语义差别和逻辑陷阱，难度可能反而更高。
而在备受瞩目的作文题上，AI 的表现则延续了去年的趋势：平均分高于人类，但难有真正的佳作。去年的特邀阅卷老师就已指出，AI 作文大多属于稳妥的「二类文」，很少偏题，但因其深刻性、丰富性、创造性不足，难以产生动人心弦的「一类文」，其结尾部分的升华更是套路化明显。今年，依旧如此。
今年的新课标卷的语文作文考题为：
全国一卷作文「民族魂」
阅读下面的材料，根据要求写作。（60 分）
他想要给孩子们唱上一段，可是心里直翻腾，开不了口。
——老舍《鼓书艺人》
假如我是一只鸟，我也应该用嘶哑的喉咙歌唱
——艾青《我爱这土地》
我要以带血的手和你们一一拥抱，
因为一个民族已经起来
——穆旦《赞美》
以上材料引发了你怎样的联想和思考？请写一篇文章。
这是在一次采样中，元宝生成的 AI 作文。它在人类阅卷老师处获得了 53.5 分的高分，是 AI 作品中的佼佼者。
然而，细究其文，AI「模板化」的问题依旧暴露无遗。比如这篇文章的中间几段，先是提出「历史上闪耀着这样的精神火光」的观点，随即并列引用三到四位历史人物；接着，引出「真正的担当带着疼痛的底色」的论点，再列举三到四位经历苦难的人物；最后，论及当代精神，再次列举三到四个当代人物。AI 作文的语言不可谓不华丽，引经据典也自然十分丰富充满细节，但逻辑上像不像你的家长对你说，你看看谁谁谁都怎么样了，你是不是也该怎么样？
英语：被作文分数拖累
与语文相似，AI 在传统强项——英语上的表现，也进入了一个平台期。去年，各家 AI 的英语成绩已然不错，今年的模型能力并未产生飞跃。事实上，所有参评模型的平均分仅比去年提高了 3.2 分，进步幅度远小于数学。而模型的整体分数，也落在了 130-140 分的区间，并未到达人类学霸的水平。AI 的英文水平是有目共睹的，或许比不少英文专业的学生讲出的英语更正宗。然而，AI 考生并未在此表现出更强的统治力。
作文题可能是一大拖累。在有限的篇幅内，人类考生会有意识地使用更高级句式、时态来「炫技」以博取高分。而 AI 的目标通常是清晰、完整地传达信息，它不会刻意为了得分而优化句式复杂度，因此在评分细则上可能吃了暗亏。
理综三科：有进步，但仍有差距
如果说 AI 在数学上的进步是「一飞冲天」，那么在理综三科上的表现，则更像是一次「破冰启航」。相较于去年，理综三科有一定进步——所有模型都提分 10-20 分，但整体成绩依旧挣扎在及格线附近，清晰地标示出 AI 与顶尖人类考生之间的能力鸿沟。相比于数学，理综三科既考验逻辑能力，又考验多模态能力。不过正如绊住 AI 的数学题所展现的一样，能「看见」，不代表 AI 能「看懂」。
分科来看这次 AI 的成绩：
- 物理：进步最快的「排头兵」
- 化学：被复杂图形拖累的「重灾区」
- 生物：折戟于遗传计算的逻辑关
文综：AI 的舒适区
在今年的 AI 高考评测中，一个清晰的趋势得以延续：文科综合依然是 AI 的高分舒适区。早在去年，ChatGPT 就已拿下文综 237 分的高分。而今年，元宝更是将文综最高分推升至 253.5 分，这一成绩，与理科综合最高分（213.25 分）形成了鲜明对比。相比去年，文强理弱的偏科问题虽有缓解，但基本格局并未改变，这与人类考生相反。在人类考生中，理综最高分往往比文综最高分高出不少。今年的分数增长，主要由地理科目贡献。得益于多模态能力的飞跃，AI 在地理图题上的理解力显著增强，使得该科目平均分激增了 20.3 分，成为进步的火车头。
AI 眼镜作弊？尚不成熟
从去年到今年，AI 眼镜等「视觉 AI 硬件」无疑是科技界最炙手可热的焦点。其背后的核心驱动力，正是大模型的实时视频理解功能的出现。它意味着 AI 正从被动接收指令，进化到主动感知和理解物理世界。研究人员尝试让视频模型「观看」试卷并作答。结果表明，目前的视频大模型仍处于非常早期的阶段，存在严重的幻觉问题和被动的交互模式，距离在考场上「大显神通」还很遥远。
AI 的审美偏好：英雄不问出处
大模型是否也存在审美偏好呢？它会因为更欣赏自己的文风，从而在给其他模型打分时产生偏见吗？研究人员进行了一项有趣的尝试：让参与本次评测的大模型们，对彼此生成的作文进行交叉打分和排序。结果表明，模型并没有表现出对自家作品的特殊偏爱，有时候反而可能给自己打低分。AI 与人类判分员的审美，大方向仍然是一致的。
AI 的未来：无限可能，但也需脚踏实地
2025 年的 AI 高考模拟测评，为我们提供了一个观察 AI 智能发展的独特视角。过去一年，AI 在深度思考、多模态能力等方面取得了显著进步，但在处理复杂信息、进行抽象推理等方面仍然存在不足。AI 的发展并非一蹴而就，它在攻克难题的同时，也会在看似简单的问题上犯错。高考，这个完美融合了知识掌握、逻辑推理与应试策略的综合场景，让 AI 展现出了它最迷人而矛盾的一面。
AI 的下一站，终将是更复杂、更广阔的现实世界。考试，只是它漫长征途的起点，而非能力边界的终点。这张快照，最终将成为它成长相册里，一张记录了进化途中的光荣与笨拙的泛黄的旧照片。
