6大模型决战高考数学新一卷：豆包、元宝并列第一，OpenAI o3竟惨败垫底

主要观点总结

本文报道了大模型参与高考数学测试的情况。包括测试方法、评分标准、参与测试的大模型及其表现。文章还分析了大模型在数学推理方面的进步和存在的问题。

关键观点总结

关键观点1: 测试方法与评分标准

采用了高考数学题作为测试题目，包括单选题、多选题和填空题。评分方法依照高考判分原则，对模型的表现进行公正评价。

关键观点2: 参与测试的大模型

测试了包括字节的豆包、深度求索的DeepSeek、阿里的通义、腾讯的元宝（T1）、百度的文心 X1 Turbo以及踢馆选手OpenAI的o3等六款大模型。

关键观点3: 大模型的数学推理能力表现

除了o3模型外，其他模型都突破及格线，其中豆包和元宝表现最为出色。大模型的推理能力、反思能力和解析步骤的完善性都有明显提高。

关键观点4: 大模型存在的问题

大模型在计算细节、公式与图形处理能力、逻辑推理链条的自洽性、对题目条件的敏感度以及“无提示答题”能力等方面还存在不足。

免责声明