我把13个顶级AI送去数学高考，并列第一居然是它们。。。

又到了一年一度的高考，

先祝考生们考的都对！这种时候就适合来考AI，一开始我觉得要是全员满分的话，那我这标题应该直接是AI已经攻略高考了才对，没想到还是有被拉开差距。

先来看看试卷，今年的全国一卷难度高到考完就逐梦大专。

那还说啥了，直接上做题规则，

这次参加考试的有13个模型，Claude Opus 4.8 Max, Claude Sonnet 4.6 Thinking, GPT 5.5 Thinking, Gemini 3.1 Pro Thinking, Qwen 3.7 Plus Thinking, MiniMax M3, Kimi 2.6 Thinking, Mimo-2.5-pro, Deepseek-v4 Pro, GLM 5.1, Grok, 豆包 Thinking, 元宝Thinking（一口气全念对要很好的肺活量）

为了公平性，我采用了同一张卷子，2026数学全国一卷，

记分方法就跟高考判分的保持一致，不管是网页版还是API都关掉联网，

跟去年最大的不同，今年大部分的模型上下文都翻了一番，基本都支持多模态了，所以第15题图像题照样保留。

同时因为读取PDF会比读取markdown化的考卷要更耗额度，我的两个Claude都没考完额度就没了，所以我们统一用mathpix把PDF转成了LaTeX格式，每一道转化的题都会单独人工再看两次。

LaTeX的好处就是能保证每家模型都可以读取到一样的信息，

每个模型都会在一个新对话里收到一个提示语，中间我们不干涉不对话如果失败直接新对话重新跑。

整套试卷答案汇总：1. 2. 3. ……

开考开考！收卷收卷！改卷改卷！最终得分表出炉！来看看模型们的精确选项。

模型总体得分是这样的，

模型具体选项也是这样的，

来看看最终分数吧！

马上来个真题复盘，

第6题是这套卷里最有节目效果的一题。

起初测试发现了一半左右的模型都错了，还以为是世纪难题。后来发现，问题出在输入环节。

网上存在不同版本的题目，在读取LaTeX 输入的过程中，也被识别错误。

所以有的模型就被这个错误输入成功带偏，通过自己的理解，自动fallback到了一个同题型下的正确答案。有些也有给出根据错误输入从而没有答案的正确回答。为了答题一致性，我们将有合理答案的都作为对的最终采纳。

最终复核后的结果，

第11题是这套卷里最选择困难的一题。

并不是模型完全不会做的题，而是看着好像不难，就最后多一步非把自己送走的多选题。

答案是ABD，

但是所有模型居然没有一个完全答对，我看了一下，在过程里已经接近正确了，但为了保险过度泛化了，把诱导项也一起选上了。

用人话来说，

B选项要求三个弦长完全相等，这是一个强条件，最后只剩三条直线；C选项只要求三个弦长的和等于 3，这是一个弱条件，看起来会留下连续一族直线。

模型 ABD 的正确方向摸到了，但又把 C 这个“看起来也成立”的边界项塞了进去导致结果错误。

本来以为现在大模型的得分都那么高了，跑起来一定不会有什么问题吧，实际上过程非常磕磕绊绊。

首先就是上下文窗口以及记忆，

像Qwen和以下的梯队的模型，做到后面就开始漏条件，甚至反过来问我思路和想法，忽略前面说过的考场要求。甚至是没有理解题目规则。比如题目要求证明，它只给了结论。题目要求完整作答的，它也只写了思路。

然后就是API传输和输出限制，

Opus 4.8 开了最高权限导致思考的过程太慢。Context被截断，rate limited，或者一次回答装不下等等等等都发生过，导致最终超时了来不及写完或者只留下了一堆没有结果的草稿(Thinking memory)让我验收。

但但但但但！最离谱的还是考场离谱行为，Sonnet 4.6尝试直接搜答案还有Deepseek直接拒绝完成都是真实存在的，刚开始就想走人了。

根据每个模型的得分，我还给他们做了一个评级系统，

PS：叠个甲，纯娱乐分层，因为只有数学单科成绩

最终得分上，AI和AI之间的差距，也就是和我和清北之间的距离差不多嘛。

第一梯队 GPT 5.5, Deepseek-v4 Pro, Gemini 3.1 Pro 以及 Opus 4.8。强的不止会做难题，并且整体也是稳定的学霸，该拿的分都拿到了也没有特别的错误。

而只差些微分数的Kimi 2.6属于第二顶尖。不是能力不够，大题也能做出来，只是会在选择题、多选题或者填空完整度这种的小地方导致失分，才没进第一梯队。

第三梯队也是大多数，包含了 Sonnet 4.6，GLM 5.1，豆包，Qwen 3.7 Plus，以及MiniMax M3。也算是模型的平均线了，当前还没有那么稳，会在不同细节上丢分。不是不会，只是粗心，或者关键步骤没有收住。

元宝118，独树一档，能做不少题，在稳住了百分的情况下也会有明显失分。

Mimo 和 Grok 就是这次发现最需要进步的模型了，更像普通考场发挥。有思路，有想法，但也就一些基础分了。

批完卷子之后，

发现不是只有低分选手会翻车，就算是144分的清北种子模型也都会被多选题中的制定条件坑一把。

除了多选，长解答题是真正拉开差距的地方。

能不能读好完整条件，算好所有公式，条件步奏有没有记住，直到出最后的具体答案。

很多模型有思路，也能写方向，

但在严格评分里就是拿不到分。

最后还有一个很关键的问题，就是题目理解。

很多时候模型一开始就没稳稳接住。

读题就读错了，图没看清楚，直接往反方向飞奔。

又或者从LaTeX里抽出来的时候符号，条件，上下标丢了一点，

后面再怎么推都推不对了。

所以这次测下来的感觉就是，

AI确实很强，高考题能难倒它们的不多，

有些模型已经不像是在做题，

更像是老叟戏顽童。

但它们也不是完全不会翻车。

会看错图，会漏选项，会写到一半开始意会，

也会在长题最后一步突然卡个十几分钟。

今年在高考期间都不让用AI了，

我们在测试的过程中反复尝试了好多遍。

不过这个系列可能还是会一年一度做下去的。

这次高考数学题还是挺难的，

让我限时马上去做估计也是够呛，

但还是可以带着AI跟大家一起考一份试卷，

看下难度，还是很有意思的，

希望明年AI考生的数量再多一点。

@ 作者 / 卡尔 & yc星辰

最后，感谢你看到这里如果喜欢这篇文章，不妨顺手给我们点赞｜在看｜转发｜评论

如果想要第一时间收到推送，不妨给我个星标

如果你有更有趣的玩法，欢迎在评论区聊聊

更多的内容正在不断填坑中……