國產(chǎn)推理大模型決戰(zhàn)2025考研數(shù)學，看看誰第一個上岸？

大模型考研數(shù)學成績大PK。

原標題：國產(chǎn)推理大模型決戰(zhàn)2025考研數(shù)學，看看誰第一個上岸？
文章來源：機器之心
內(nèi)容字數(shù)：5098字

2025考研數(shù)學真題測評：深度推理大模型能力拼

機器之心發(fā)布的一篇測評文章，對國內(nèi)外多個深度推理大模型在2025年考研數(shù)學（一、二、三）試題上的表現(xiàn)進行了評估，結(jié)果顯示深度推理模型在數(shù)學推理能力上取得了顯著進步。

1. 測試背景與模型

文章指出，大語言模型在數(shù)學推理方面一直是短板，直到深度推理模型的出現(xiàn)才有所改善。此次測評選取了13個模型，包括OpenAI的GPT-o1、智譜的GLM-Zero-Preview、阿里的QwQ等深度推理模型，以及對應的基礎模型，例如GPT-4。測評采用統(tǒng)一的網(wǎng)頁端進行測試，每題作答，三次測試中至少兩次正確才算正確。

2. 測試結(jié)果與排名

測試結(jié)果顯示，OpenAI的GPT-o1以平均分領先，成為唯一一個超過140分的模型。智譜的GLM-Zero-Preview以138.7分位居國產(chǎn)大模型第一，緊隨其后的是阿里的QwQ。其他深度推理模型也普遍達到120分以上，而基礎模型GPT-4僅獲得70.7分，排名墊底。這表明深度推理模型在數(shù)學推理能力上有了顯著提升。

3. 單科分析與錯題分布

文章對各科錯題進行了分析。在數(shù)學一中，部分模型在涉及曲面積分和特征向量求解的題目上出錯；數(shù)學二中，多個模型在第3、5、7題出錯；數(shù)學三中，第14、15、16、19題成為出錯重災區(qū)。GPT-o1的錯誤率最低，且其出錯的題目其他模型也普遍出錯，體現(xiàn)了其領先地位。

4. 深度思考模型與基礎模型對比

文章對比了深度推理模型與其對應基礎模型的得分差異。OpenAI的GPT-o1相較于GPT-4o提升最為顯著（57.3分），其次是阿里的Qwen模型和智譜的GLM模型。深度求索和月之暗面的提升相對較小，這與其基礎模型本身分數(shù)較高有關。以DeepSeek-v3為基準，OpenAI、智譜、阿里在深度思考模型上的性能提升最為明顯。

5. 結(jié)論

雖然OpenAI的GPT-o1仍然處于領先地位，但國產(chǎn)深度推理大模型正在快速追趕，智譜GLM-Zero-Preview和阿里QwQ的成績體現(xiàn)了這一趨勢。此次評測結(jié)果展現(xiàn)了深度推理模型在數(shù)學推理能力上的顯著進步，也為大模型未來的發(fā)展方向提供了參考。