大模型考研數(shù)學(xué)成績(jī)大PK。

原標(biāo)題：國(guó)產(chǎn)推理大模型決戰(zhàn)2025考研數(shù)學(xué)，看看誰(shuí)第一個(gè)上岸？
文章來(lái)源：機(jī)器之心
內(nèi)容字?jǐn)?shù)：5098字

2025考研數(shù)學(xué)真題測(cè)評(píng)：深度推理大模型能力拼

機(jī)器之心發(fā)布的一篇測(cè)評(píng)文章，對(duì)國(guó)內(nèi)外多個(gè)深度推理大模型在2025年考研數(shù)學(xué)（一、二、三）試題上的表現(xiàn)進(jìn)行了評(píng)估，結(jié)果顯示深度推理模型在數(shù)學(xué)推理能力上取得了顯著進(jìn)步。

1. 測(cè)試背景與模型

文章指出，大語(yǔ)言模型在數(shù)學(xué)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(cè)評(píng)選取了13個(gè)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(duì)應(yīng)的基礎(chǔ)模型，例如GPT-4。測(cè)評(píng)采用統(tǒng)一的網(wǎng)頁(yè)端進(jìn)行測(cè)試，每題作答，三次測(cè)試中至少兩次正確才算正確。

2. 測(cè)試結(jié)果與排名

測(cè)試結(jié)果顯示，OpenAI的GPT-o1以平均分領(lǐng)先，成為唯一一個(gè)超過140分的模型。智譜的GLM-Zero-Preview以138.7分位居國(guó)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(dá)到120分以上，而基礎(chǔ)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(xué)推理能力上有了顯著提升。

3. 單科分析與錯(cuò)題分布

文章對(duì)各科錯(cuò)題進(jìn)行了分析。在數(shù)學(xué)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(cuò)；數(shù)學(xué)二中，多個(gè)模型在第3、5、7題出錯(cuò)；數(shù)學(xué)三中，第14、15、16、19題成為出錯(cuò)重災(zāi)區(qū)。GPT-o1的錯(cuò)誤率最低，且其出錯(cuò)的題目其他模型也普遍出錯(cuò)，體現(xiàn)了其領(lǐng)先地位。

4. 深度思考模型與基礎(chǔ)模型對(duì)比

文章對(duì)比了深度推理模型與其對(duì)應(yīng)基礎(chǔ)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(duì)較小，這與其基礎(chǔ)模型本身分?jǐn)?shù)較高有關(guān)。以DeepSeek-v3為基準(zhǔn)，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(lǐng)先地位，但國(guó)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(jī)體現(xiàn)了這一趨勢(shì)。此次評(píng)測(cè)結(jié)果展現(xiàn)了深度推理模型在數(shù)學(xué)推理能力上的顯著進(jìn)步，也為大模型未來(lái)的發(fā)展方向提供了參考。

聯(lián)系作者

文章來(lái)源：機(jī)器之心
作者微信：
作者簡(jiǎn)介：專業(yè)的人工智能媒體和產(chǎn)業(yè)服務(wù)平臺(tái)