如果把一整套高考数学卷交给当前主流大模型，并且禁止联网、禁止互相抄答案、只允许提交一次，它们能考多少分？
这一次，我没有问大模型几个零散的数学问题，而是认真布置了一间“AI 高考考场”。
统一试卷、统一规则、同时开考，甚至还安排了一个单独的模型担任监考官。
最终结果有些出乎意料：
- GPT-5.6：150 分
- Opus 5：150 分
- Kimi K3：150 分
- Codex：143 分
- Cursor Grok 4.5：141 分
- GLM 5.2：94 分
同一张试卷，最高分与最低分相差了 56 分。
高考数学考场
一、先准备一张所有模型都能读懂的试卷
本次使用的是 2025 年普通高等学校招生考试（新高考 I 卷）数学，适用地区包括山东、广东、湖南、湖北、河北、江苏、福建、浙江、河南、江西、安徽。
原始 PDF 不只是文字和公式，还包含表格、坐标图与立体几何图形。如果直接读取 PDF，部分模型可能遇到根号、分数、希腊字母或图形信息识别错误。
因此，正式开考前，我先把整套试卷整理成统一的 Markdown：
- 全卷共 19 题；
- 数学公式统一使用 LaTeX；
- 表格转换为结构化 Markdown 表格；
- 原卷图形保留为图片；
- 每张图额外补充纯文字描述；
- 清除 PDF 文字层中的乱码、断行和 OCR 错误。
所有模型读取的都是同一份文件：
exam_2025_math_clean.md
这一步非常重要。否则最后比较的可能不是模型的数学能力，而是谁更擅长猜测乱码。
二、考场规则：不联网、不互抄、只能交一次
为了尽量接近一次真实的限时考试，我给所有参赛模型设置了相同规则。
我的原始要求
- 所有模型统一使用
exam_2025_math_clean.md； - 考试期间禁止网络检索答案；
- 只能依靠模型自身能力完成试卷；
- 目标答卷时间为 5 分钟；
- 禁止读取或参考其他模型的答案；
- 每个模型只允许提交一次；
- 提交后不允许二次演算或修改答案；
- 只提交最终答案，不展示完整推理过程；
- 不允许修改原始试卷文件；
- 由 Composer 2.5 担任独立监考官。
原计划参赛阵容包括：
- GPT-5.6
- Opus 5
- Kimi K3
- Codex
- Gemini 3.5 Flash
- GLM 5.2
- Cursor Grok 4.5
不过，实际执行时 Gemini 3.5 Flash 不在当前可用模型列表中。为了不擅自更换型号，本次没有用其他 Gemini 版本代替，所以最终共有 6 名考生入场。
三、开考：6 个模型同时作答
6 个模型在同一个并行批次中启动，分别独立读取试卷。
监考官 Composer 2.5 不参与答题，只负责核对规则和记录可观察到的行为。它确认了试卷路径有效，并且自身没有修改试卷或输出答案。
但这里必须说明实验边界：
- 系统没有记录每个模型精确到秒的作答耗时；
- 聊天时间戳只能确认整批答卷在约 6 分钟的窗口内返回；
- 因此不能严格证明每个模型都在 5 分钟内完成；
- 每个模型都只有一次提交记录，没有再次交卷或修改答案；
- 模型内部是否自行验算，无法从外部技术审计；
- Kimi K3 的答卷中可以看到少量中间式，其他模型主要提交最终结果或简短结论。
换句话说，我能够确认“没有二次提交”，但不能把“模型内部从未回头检查”当成已经证实的事实。
四、阅卷标准：满分 150 分
考试结束后，阅卷阶段允许联网，用于交叉核验公开答案和题型分值。
本卷采用新高考 I 卷常见的 150 分结构：
| 题型 | 题号 | 分值 |
|---|---|---|
| 单项选择题 | 1—8 | 40 分 |
| 多项选择题 | 9—11 | 18 分 |
| 填空题 | 12—14 | 15 分 |
| 解答题 | 15—19 | 77 分 |
| 总计 | 1—19 | 150 分 |
解答题采用以下题目总分：
- 第 15 题：13 分
- 第 16 题：15 分
- 第 17 题：15 分
- 第 18 题：17 分
- 第 19 题：17 分
为了比较模型的最终解题结果，本次排名使用的是 “最终答案正确度评分”：最终结论正确，就按照对应小问计分。
这不等于真实高考卷面分。
真实高考明确要求解答题写出文字说明、证明过程或演算步骤。由于我在考试规则中要求模型“只提交答案”，证明题缺少完整过程，若严格按照真实高考阅卷，它们不可能仅凭一句“结论成立”拿到全部过程分。
因此，本文成绩代表的是：
模型最终答案的正确程度，而不是一张符合高考书写规范的正式答题卡得分。
五、成绩公布：3 个满分
| 排名 | 模型 | 客观题 | 解答题 | 总分 |
|---|---|---|---|---|
| 1 | GPT-5.6 | 73/73 | 77/77 | 150 |
| 1 | Opus 5 | 73/73 | 77/77 | 150 |
| 1 | Kimi K3 | 73/73 | 77/77 | 150 |
| 4 | Codex | 73/73 | 70/77 | 143 |
| 5 | Cursor Grok 4.5 | 73/73 | 68/77 | 141 |
| 6 | GLM 5.2 | 57/73 | 37/77 | 94 |
最醒目的结果不是第一名，而是前三名同时拿到了满分。
GPT-5.6、Opus 5 和 Kimi K3 的答案完全命中。更值得注意的是，它们不仅基础题和客观题正确，后面的数列、立体几何、椭圆和三角函数压轴题也给出了正确结果。
Codex 和 Grok 4.5 的客观题同样全部正确，差距主要出现在解答题最后阶段。
GLM 5.2 则从第 11 题开始出现明显失误，最终停在 94 分。
交互式成绩面板：2025 Math Model Grading
六、它们分别错在了哪里？
GPT-5.6、Opus 5、Kimi K3：全部命中
三者在最终答案层面没有发现错误，均得到 150 分。
但需要再次强调：其中涉及证明的题目只提交了结论，不能据此断言它们在真实高考阅卷中也会获得满分。
Codex：倒在椭圆题最后一问
Codex 前 17 题以及第 19 题均与正确答案一致。
它唯一的错误出现在第 18 题第（2）问第②小问：
- Codex 作答：约 $5.515$
- 核验答案：$3\sqrt3+3\sqrt2$
该小问扣 7 分，最终得分 143 分。
Cursor Grok 4.5：两处失分
Grok 4.5 的客观题全部正确，但解答题出现两处问题：
- 第 15 题独立性检验的 $\chi^2$ 统计量多了一位数量级，但“检查结果与患病有关”的结论正确，因此只扣部分分；
- 第 18 题最后一问最大值错误。
最终得分 141 分。
GLM 5.2：错误开始连锁出现
GLM 5.2 的主要失分包括：
- 第 11 题多选题出现错选；
- 第 12、14 题填空错误；
- 第 16 题第（2）问结果错误；
- 第 17 题空间角结果错误；
- 第 18 题后两问错误；
- 第 19 题第（1）、（3）问错误。
它的前 10 题与其他模型保持一致，但进入后半卷后，错误数量明显增加，最终得分 94 分。
七、这场测试能说明什么？
1. 当前头部模型已经具备很强的高中数学结果输出能力
在统一输入、禁止联网、完整试卷和短时间约束下，3 个模型给出了全卷正确答案。
至少从“得到最终结果”这一维度看，它们已经能稳定处理：
- 复数、集合与函数；
- 向量和解析几何；
- 概率统计与数列；
- 立体几何；
- 椭圆综合题；
- 三角函数压轴题。
2. 客观题已经很难拉开头部模型的差距
GPT-5.6、Opus 5、Kimi K3、Codex 和 Grok 4.5 的客观题全部得到 73 分。
真正产生差距的是解答题，尤其是第 18 题椭圆综合题。Codex、Grok 4.5 和 GLM 5.2 都在这道题的后半部分失分。
3. “答案正确”与“会不会证明”不是同一件事
本次测试为了控制输出长度，要求模型只提交答案。
这适合比较最终结果，却不适合评价完整的数学表达、推导严谨性和证明能力。一个模型可以猜中或算出结论，但如果不能提供可检查的推理链，就不能直接等同于真实考生的满分答卷。
4. AI 测评首先要控制输入质量
如果每个模型读取到的公式、表格和图形不一致，那么排行榜没有意义。
这次测试中，先把 PDF 清洗为统一 Markdown，再让所有模型同时读取，是整个实验成立的基础。
八、这次实验仍有哪些局限？
这不是一项严格的学术基准测试，至少存在以下限制：
- 每个模型只运行了一次，无法反映多次采样下的稳定性；
- 没有记录单模型精确耗时；
- 不能审计模型内部是否自行验算；
- 模型只提交答案，无法完整评价证明过程；
- 解答题小问分值采用模拟拆分，并非教育考试院公开的逐步采分细则；
- Gemini 3.5 Flash 因当前环境不可用，未实际参赛；
- 本次成绩只对应当前试卷、当前提示词和当前模型版本，不能直接推广到所有数学任务。
如果要继续完善这项测试，下一轮至少应该加入：
- 每个模型重复测试 3—5 次；
- 记录准确开始时间、结束时间和首字延迟；
- 同时保留“只交答案组”与“完整过程组”；
- 使用盲审方式对证明题单独评分；
- 在不改变原意的前提下，准备不同排版版本，测试模型对输入形式的敏感程度。
九、最后
这场 AI 高考最有意思的地方，并不是“某个模型拿了满分”。
真正值得关注的是：当输入被认真整理、规则被统一之后，头部模型之间的差距已经被压缩到少数几道综合题上。
它们在基础题上的表现越来越接近，决定排名的，开始变成复杂推导中的稳定性。
而这也提醒我们：
测试大模型，不能只随手问一道题。
要给它完整试卷、统一规则、独立考场，以及一套能够被复核的评分标准。
下一次，我准备让它们挑战另一年的高考数学。
到时候，是继续出现多个满分，还是会有新的模型翻车？
下一次还会出现三个满分吗？
附：本次实验信息
- 试卷：2025 年新高考 I 卷数学
- 试卷格式：清洗后的 Markdown
- 实际参赛模型：6 个
- 监考模型：Composer 2.5
- 考试阶段网络：禁止
- 阅卷阶段网络：允许，仅用于交叉核验
- 提交次数：每个模型 1 次
- 精确作答耗时：未记录
- 评分口径：最终答案正确度评分
- 满分：150 分
参考资料
注：公开答案和解析可能来自教育机构或教师整理，本文已结合独立演算交叉核验。解答题模拟小问分值不代表教育考试院正式评分细则。