继上次不少媒体拿大模型做了高考数学题以后，今年的高考全科真题测评结果也出来了，不过这次进行测评的是字节Seed团队，很明显能看出，他们对上次豆包的高考数学成绩是充满意外和惊喜的，也在摩拳擦掌想试试看它在全科试题里会表现如何。
老规矩，这次参战的5个大模型，仍然是市面上各种跑分都名列前茅的选手：Gemini 2.5Pro、DeepSeek R1、Claude 4、OpenAI o3，以及Seed1.6-Thinking。
高考其实是一种非常典型的测试场景，既能达到测试大模型泛化能力的目的，同时又兼具很高的实用性，也不难想象类似的使用场景，应该可以在教学、科研等方面发挥更大价值。
这次做的是「山东版」高考全科试卷，分文理科排名，为了确保公平，不仅评测方式完全对齐高考判卷方法，开放题由两名有资深联考判卷经验的高中老师进行评估，而且大模型也没有引入任何提示词工程，所有输入都是高考原题。
简单来说，这跟一名真实考生做卷子的环境几乎没有区别。
还是先说结论，大模型的整体能力目前已经能拿到一个相当高的分数，其中位列文、理科头名的豆包和Gemini，分别拿到了文科683和理科655分的成绩——这分数甚至可以冲击一下清北——截取一些测评结果里的关键信息给你们看看：
- 不出意料的，大模型表现最好的学科是英语，几家测评成绩都很接近，难以拉开差距；
- 普遍得分最低的学科是化学和生物，不过这跟试题本身有关，这两个学科涉及到的读图题很多，由于这套试题不是官方发布，所以有些图比较模糊，直接造成了大模型的失分；
- 豆包在语文、英语、物理、地理、历史、政治六门学科里均拿到了最高分，其中文科类目里的地理、历史、政治优势明显，事实证明在不同语种的语境里，大模型的表现可能是天差地别的；
- 与豆包相反，Gemini的理科表现很强劲，哪怕在图不清楚的情况下，化学、生物仍然拿到了最高分，它与豆包的路线差别很有观察价值；
- 跟上次高考数学的测评结果略有差异，这次数学学科的榜首是DeepSeek，不过同样与其他大模型差距很小；
- GPT o3又开始整活，上次它是唯一一个在数学客观题上丢分的大模型，结果这次语文作文直接写跑题了，这导致o3的语文分数成了所有大模型语数英主科15份成绩里，唯一一个没有过百的...
- 在发现了化学、生物的读图问题后，测试团队找到了一份更高清版本的试卷，并且采用图文交织的方式把这两科重做了一遍，结果发现豆包通过这种方式，两科总分还能再提高30分左右，这就意味着图文同步的全模态推理，可以更大程度激发模型潜力，很值得深究；
- 目前看来，大模型的视觉方案进步神速，但毕竟视觉的TOKENS消耗要比普通任务高得多，所以它眼下要解决的主要问题，还是如何降本；
- 除了高考全科真题外，测试团队还进行了另一项印度理工学院JEE Advanced的考试测评，题目全部采用图片输入，总分仍然是Gemini和豆包领先，甚至两个模型的成绩，已经可以进到印度TOP 10了。
当然，大费周章做这么多测试，倒不是说它是测量大模型能力的唯一标准，比如今年年初AI行业知名的HLE基准刚出现的时候，各大主流模型的得分普遍低于10%，但HLE的开发团队也说了，按照历史规律来看，今年年底这个数字可能就会有50%。
我的意思是，无论人类如何绞尽脑汁让AI做题，把题目通关也都是假以时日的问题，但这不代表做题成绩就没有意义了，重要的是不断精进学习的过程，也是探索AI究竟能多大程度上为人类所用的必要步骤。
已经开始期待明年高考，AI会给我们一番怎样的景象了。
老规矩，这次参战的5个大模型，仍然是市面上各种跑分都名列前茅的选手：Gemini 2.5Pro、DeepSeek R1、Claude 4、OpenAI o3，以及Seed1.6-Thinking。
高考其实是一种非常典型的测试场景，既能达到测试大模型泛化能力的目的，同时又兼具很高的实用性，也不难想象类似的使用场景，应该可以在教学、科研等方面发挥更大价值。
这次做的是「山东版」高考全科试卷，分文理科排名，为了确保公平，不仅评测方式完全对齐高考判卷方法，开放题由两名有资深联考判卷经验的高中老师进行评估，而且大模型也没有引入任何提示词工程，所有输入都是高考原题。
简单来说，这跟一名真实考生做卷子的环境几乎没有区别。
还是先说结论，大模型的整体能力目前已经能拿到一个相当高的分数，其中位列文、理科头名的豆包和Gemini，分别拿到了文科683和理科655分的成绩——这分数甚至可以冲击一下清北——截取一些测评结果里的关键信息给你们看看：
- 不出意料的，大模型表现最好的学科是英语，几家测评成绩都很接近，难以拉开差距；
- 普遍得分最低的学科是化学和生物，不过这跟试题本身有关，这两个学科涉及到的读图题很多，由于这套试题不是官方发布，所以有些图比较模糊，直接造成了大模型的失分；
- 豆包在语文、英语、物理、地理、历史、政治六门学科里均拿到了最高分，其中文科类目里的地理、历史、政治优势明显，事实证明在不同语种的语境里，大模型的表现可能是天差地别的；
- 与豆包相反，Gemini的理科表现很强劲，哪怕在图不清楚的情况下，化学、生物仍然拿到了最高分，它与豆包的路线差别很有观察价值；
- 跟上次高考数学的测评结果略有差异，这次数学学科的榜首是DeepSeek，不过同样与其他大模型差距很小；
- GPT o3又开始整活，上次它是唯一一个在数学客观题上丢分的大模型，结果这次语文作文直接写跑题了，这导致o3的语文分数成了所有大模型语数英主科15份成绩里，唯一一个没有过百的...
- 在发现了化学、生物的读图问题后，测试团队找到了一份更高清版本的试卷，并且采用图文交织的方式把这两科重做了一遍，结果发现豆包通过这种方式，两科总分还能再提高30分左右，这就意味着图文同步的全模态推理，可以更大程度激发模型潜力，很值得深究；
- 目前看来，大模型的视觉方案进步神速，但毕竟视觉的TOKENS消耗要比普通任务高得多，所以它眼下要解决的主要问题，还是如何降本；
- 除了高考全科真题外，测试团队还进行了另一项印度理工学院JEE Advanced的考试测评，题目全部采用图片输入，总分仍然是Gemini和豆包领先，甚至两个模型的成绩，已经可以进到印度TOP 10了。
当然，大费周章做这么多测试，倒不是说它是测量大模型能力的唯一标准，比如今年年初AI行业知名的HLE基准刚出现的时候，各大主流模型的得分普遍低于10%，但HLE的开发团队也说了，按照历史规律来看，今年年底这个数字可能就会有50%。
我的意思是，无论人类如何绞尽脑汁让AI做题，把题目通关也都是假以时日的问题，但这不代表做题成绩就没有意义了，重要的是不断精进学习的过程，也是探索AI究竟能多大程度上为人类所用的必要步骤。
已经开始期待明年高考，AI会给我们一番怎样的景象了。
