AI 大模型挑战 2026 高考数学：谁拿了 148 分？
6 款推理模型做同一套高考卷，讯飞星火 148 分碾压 ChatGPT 的 137 分。压轴题成分水岭，国产模型集体逆袭。
一、评测背景
2026 年 6 月 7 日，全国高考数学落下帷幕。和往年一样，"AI 能考多少分"成了热搜话题。但今年的评测结果出乎很多人意料 —— 国产模型不仅没有落后，反而集体碾压了 ChatGPT。
评测选取了 6 款以推理见长的大模型，统一使用 2026 年新高考 I 卷数学卷，在相同条件下作答：
| 排名 | 模型 | 成绩 | 厂商 |
|---|---|---|---|
| 🥇 1 | 讯飞星火 | 148 分 | 科大讯飞 |
| 🥈 2 | Kimi | 145 分 | 月之暗面 |
| 🥉 3 | DeepSeek | 144 分 | 深度求索 |
| 4 | 智谱 GLM | 143 分 | 智谱 AI |
| 5 | MiniMax | 142 分 | MiniMax |
| 6 | ChatGPT | 137 分 | OpenAI |
二、关键发现
1. 压轴题成分水岭
在基础题和中等难度题部分，6 款模型的得分差距不大，基本都能拿到满分或接近满分。真正的分水岭出现在最后一道压轴大题 —— 这道题涉及多步骤的综合推理（函数 + 数列 + 不等式的组合），直接拉开了 10 分以上的差距。
讯飞星火在这道压轴题上获得了接近满分的表现，而 ChatGPT 在中间步骤出现了逻辑跳跃，导致后续推导全部偏移。这说明多步骤长链推理仍然是不同模型之间差距最大的能力维度。
2. 国产模型集体碾压 ChatGPT
ChatGPT 以 137 分垫底，与第一名讯飞星火差距 11 分。这个结果看似意外，但细想有几个合理因素：
- 出题风格适配：中国高考数学的出题风格与 AIME、IMO 等国际竞赛差异很大，更强调计算技巧和套路识别。国产模型在中文数学训练数据上有天然优势
- 推理链长度：高考数学压轴题通常需要 8-12 步推理链，国产模型（尤其是讯飞、DeepSeek）在长链推理上的优化更充分
- 数字精度：ChatGPT 在涉及精确数值计算时偶有浮点误差，在高考这种"差一分就不行"的场景中被放大
3. 讯飞星火逆袭
在公众认知中，讯飞星火并非"最火"的大模型品牌 —— 论知名度，ChatGPT 和 DeepSeek 可能更高。但在高考数学这种高度结构化、长链推理的任务中，讯飞星火表现最佳，148 分仅扣 2 分。
这印证了一个重要观点：不同模型在不同任务类型上的优势差异很大。通用聊天场景最强的模型，不一定在数学推理上最强。这也是我们一直强调"多模型混合调度"的原因 —— 没有万能模型，只有最适合场景的模型。
三、从高考看大模型推理能力演进
2024 → 2026 的进步
| 年份 | 最好成绩 | 模型 | 备注 |
|---|---|---|---|
| 2024 | ~120 分 | GPT-4o | 压轴题几乎全军覆没 |
| 2025 | ~135 分 | DeepSeek V3 | 压轴题能拿到部分步骤分 |
| 2026 | 148 分 | 讯飞星火 | 压轴题接近满分 |
两年时间，AI 高考数学成绩从 120 分进步到 148 分，进步了 28 分。考虑到高考数学满分 150 分，剩余的 2 分提升难度是指数级的 —— 但以目前的迭代速度，2027 年满分是大概率事件。
推理能力的技术底层
这 28 分的进步背后是推理技术的质变：
- 2024 年：主要靠模型"直觉"（单次前向推理），缺乏自我验证能力
- 2025 年：Chain-of-Thought 成熟，模型学会"写出思考过程"，但仍容易在长链中间步骤出错
- 2026 年：推理时搜索（Test-time Compute）+ 自我纠错（Self-correction），模型能在推理过程中回溯和修正错误步骤
讯飞星火的 148 分很可能就用到了这种"推理时搜索"技术 —— 遇到不确定的步骤时，模型会生成多条候选路径，选择能自洽的那一条继续。这种机制和人类考生"换种思路重新算一遍"的策略本质相同。
四、对普通用户意味着什么？
- 别迷信"最强模型"：ChatGPT 在通用对话中体验很好，但数学推理被国产模型全面超越。选模型要看你的具体场景
- 国产模型已经够用：讯飞星火、DeepSeek、Kimi 在中文场景下的表现已经非常可靠，且 API 价格远低于海外模型
- AI 辅导数学已经可行：148 分意味着模型对高中数学的理解已经超过绝大多数考生。如果你有孩子正在备考，AI 辅导工具值得认真考虑
- 但别让 AI 替你思考：模型能考 148 分不等于你也能。理解解题思路比抄答案重要 100 倍
五、写在最后
每年高考后都会出现"AI 能考多少分"的评测，今年最大的不同是：国产模型从追赶者变成了领跑者。讯飞星火 148 分、DeepSeek 144 分、智谱 GLM 143 分 —— 前四名全部是国产模型。
这不是偶然。中国的高考制度客观上为中文数学推理提供了海量高质量的训练数据，国产模型在这个场景上有天然的数据优势。加上 2026 年推理技术的整体进步，国产模型在数学推理领域的逆袭水到渠成。