[id_805244808]

不过有趣的是，大模型的数理逻辑有了大幅进步，然而大模型的语文能力却显得有点不够看了，而且其英语能力也显得有点不够看了。

这和现实世界是相符的，有一名顶尖考生，他或许能够在数学这一学科上取得满分成绩，然而却极其难以在语文这个科目上获取相同的分数，AI好像也遇到了同样的阻碍。

仔细研究语文卷面能够发现，AI的失分点很有意思。在选择题部分，除了豆包和DeepSeek-R1，其他模型的错误率都在20%以上。

这种现象或许揭示了AI与人类不同的一个困境，对于人类考生，在组织语言、阐述观点时，可能更容易因为疏漏而失分，而对于AI，要读一段长材料，在一组具有高度迷惑性的选项中，精准辨析每一个细微的语义差别和逻辑陷阱，难度可能反而更高。

在备受瞩目的作文题方面，AI的表现延续了去年的趋势，其平均分高于人类，然而却很难有真正称得上佳作的作品。

去年，特邀阅卷老师作出评价，指出AI作文大多属于稳妥的「二类文」，很少出现偏题情况，然而因其深刻性不足，丰富性不足，创造性也不足，所以难以产生动人心弦的「一类文」，并且其结尾部分的升华套路化非常明显 。

今年，依旧如此。

大模型整体的平均分数为50.75分，平均分数的区分度较低，各个模型能够做到立意准确，语言流畅，论据丰富，然而论述不够深刻，举例存在雷同情况，与人类范文相比，模型作答缺少温度和共情。

今年的新课标卷的语文作文考题为：

全国一卷作文「民族魂」

阅读下面的材料，根据要求写作。（60 分）

他想要给孩子们唱上一段，可是心里直翻腾，开不了口。

——老舍《鼓书艺人》

假如我是一只鸟，我也应该用嘶哑的喉咙歌唱

——艾青《我爱这土地》

[id_30700927]

因为一个民族已经起来

——穆旦《赞美》

以上材料引发了你怎样的联想和思考？请写一篇文章。

这是在一次采样时，元宝生成的AI作文。它在人类阅卷老师那里，获得了53.5分的高分。它是AI作品中的佼佼者。

然而，细究其文，AI「模板化」的问题依旧暴露无遗。

先是提出“历史上闪耀着这样的精神火光”的观点，随即并列引用三到四位历史人物，接着引出“真正的担当带着疼痛的底色”的论点，再列举三到四位经历苦难的人物，最后论及当代精神，再次列举三到四个当代人物。

AI作文的语言很华丽，引经据典丰富且充满细节，但其逻辑就如同你的家长对你说，你瞧瞧谁谁谁都已经那样了，你是不是也应该那样 ？

或许在精细调整提示词的情况下，AI 能写出触达人心的作品。

但目前，AI 的自主创作更像是在执行一个固化的写作模板，这个模板是用排比式的案例填充框架，最终导向一个略显生硬的僵化升华，它能写出看似优秀的段落，却难以织就一篇真正动人的文章。

04

英语：主要被作文分数拖累

和语文类似，AI在其传统优势项目——英语方面的表现，同样进入了一个停滞阶段。

去年，各家人工智能的英语成绩已经相当不错，今年模型的能力没有实现飞跃。实际上，所有参与评测模型的平均分只比去年提高了3.2分，进步幅度远远小于数学。

模型的整体分数，落在了一个区间内，这个区间是130 - 140分，它并没有达到人类学霸的水平。

按理说，这稍显反常。

AI 的英文水平大家都能看到，或许它讲出的英语比不少英文专业的学生还要正宗 。

高考英语这张试卷，本身远远没有触及母语者的语言天花板，和包含古文的语文相比，它的客观题占比更高，作文要求更简单，只有80词，也不追求立意高远，从理论上来说，这是AI更容易获得绝对优势的战场。

然而，AI 考生并未在此表现出更强的统治力。

那么，瓶颈究竟出在哪里？作文题可能是一大拖累。

这背后有两个可能的原因：

在语文写作里，AI已暴露出有时“话痨”有时“不爱说话”的特性，然而在长篇写作时，字数要求没那么苛刻，可是在80词的微型写作中，精准控制字数成了一大挑战，稍有差错就会因超词或少词而被扣分。缺乏应试智慧，在有限的篇幅里，人类考生会有意识地运用更高级的句式、时态来“炫技”，以此博取高分。AI 的目标通常是清晰、完整地传达信息，它不会为了得分而特意优化句式复杂度，所以在评分细则上可能会吃亏。

本次评测最有趣的一点是，中外模型在作文上呈现出「主客场反转」的现象 。

在中文作文这个“客场”环境中，以GPT作为代表的“洋考生”获得了第一名；

然而在英文科目这个本应是它的“主场”的领域，它却输给了“中国考生”，DeepSeek在选择题上甚至拿到了满分，并且在最终总成绩方面，DeepSeek也和豆包一起超过了GPT。

05

理综三科：有进步，但仍然不算十分优秀

要是说AI在数学方面取得的进步如同“一飞冲天”，那么它在理综三科上的表现，就更像是一次“破冰启航” 。

和去年相比，理综三科取得了一定进步，所有模型的分数都提高了 10 到 20 分，然而整体成绩仍然在及格线附近徘徊，这清楚地显示出 AI 与顶尖人类考生之间存在能力差距。

理综三科与数学相比，既考验逻辑能力，又考验多模态能力，物理化学两科的图题占比超过80%，生物的图题占全部题目的一半左右 。

今年，读图能力得到解锁，模型推理能力有所增强，二者共同带动了理综能力的进步。

不过，就像绊住AI的数学题所呈现的那样，AI能够“看见”，但这并不意味着它能“看懂” 。

大模型在化学方面表现不佳，这一点能够清晰地呈现出来。化学题目对图片的依赖程度很高，并且化学题目图片的复杂程度更大，在这种情况下，AI的短板就完全暴露出来了。

目前，顶尖AI的理综成绩大概等同于处于中上游水平的人类考生，不过远远没有达到“学霸”的程度。正如人们所说“卷子越难，差距越明显”，在具备综合性与深度的理综试卷上，AI还没有拥有能够稳定碾压人类考生的实力。

分科来看这次 AI 的成绩：

物理，进步最快的「排头兵」

物理在此次理综三科里进步速度最快，是其中的“排头兵”，其平均分提升了20.25分。

在客观题上，GPT的选择题正确率高达92.13%，在填空题上，豆包的正确率达到了89.81%，二者都展现了对物理基本概念和规律的扎实掌握。

化学：被复杂图形拖累的「重灾区」

相比之下，化学成了拉低理综总分的“重灾区”。整体得分偏低，只有豆包勉强及格，选择题平均得分率低于60%，填空题平均得分率也低于60%。

其核心痛点在于对复杂化学图形有双重依赖，题目本身高度依赖图片，像实验装置、反应流程图等，并且化学结构图的复杂程度常常超出当前模型精准理解的极限，进而导致失分严重。

有机物大题仍然是所有大模型的主要薄弱环节。比如，第25题（有机化学）满分是12分，所有模型在这道题上的得分都非常低。这道题主要考查有机物合成路径和结构，在评测里没有一个模型能够正确写出有机物的结构简式，对有机物的空间结构理解也十分薄弱。

生物：折戟于遗传计算的逻辑关

生物科目的短板在需要严密逻辑推理的遗传题上精准暴露。比如，第22题（遗传大题）分值高达16分，大模型在这道题上普遍表现不佳，得分最高的GPT也只拿到9分。该题重点考查基因型分析、遗传概率计算等内容，而这正是对模型在抽象信息基础上进行多步推理能力的考验。

06

AI 仍然偏科，文综是舒适区

在今年进行的AI高考评测里，有一个清晰的趋势持续着，文科综合依旧是AI能取得高分的舒适区域。

早在去年 GPT 就取得了文综 237 分的优异成绩。今年元宝更是把文综最高分提升到了 253.5 分。这一成绩和理科综合最高分 213.25 分形成了鲜明的对比。

与去年相比，文强理弱的偏科问题有所缓解，不过基本格局没有改变，这和人类考生不一样。在人类考生当中，理综的最高分常常比武综的最高分高出许多 。

在不需要联网的情形下，头部人工智能在文科综合方面的得分比率已经超过了80%，达到了人类优秀学生的水准。

今年分数有所增长，这主要是地理科目起到了贡献作用。仔细进行分析，各个科目的进展情况以及所面临的瓶颈也变得越发清晰：

最大看点毫无疑问是地理。由于多模态能力实现了飞跃，AI在地理图题方面的理解力明显增强，这让该科目平均分急剧增加了20.3分，使其成为进步的引领者 。

在地理题上若想取得更大进步，会面临与理科中的化学相同的挑战，即对于高度专业的复杂图形，AI理解起来仍很困难。比如，在失分最为严重的第19题，也就是地形地貌综合分析题上，模型的表现堪称「溃不成军」：

第（1）问关于地貌走向的判断，仅有极少数模型答对。

第（2）问涉及「拔河高度」的专业概念计算，所有模型都失败了 。

与之相对，政治科目的分数基本处于高位平台期，历史科目的分数也基本处于高位平台期，它们都并未呈现显著进步。

对于这两个科目，挑战进入了更难的范畴，这个范畴包括能否精准理解考纲，能否运用学科语言，能否进行多维度深度分析。对于人类考生而言，这也需要专门的训练了。

DeepSeek-R1由于思路太过发散、偏离考点而出现大量失分情况。在历史小论文方面，AI通常很难对历史原因展开深刻的多维度剖析，论述显得较为单薄。

有一个小细节，十分有趣，与之相对应的是，中国模型提分了，今年GPT的文综分数却没有上升，反而下降了。

这种“主场优势”也从侧面体现出，在通往通用人工智能的道路上，对地域性规则要有深刻理解，并且要适应它，这依然是不可或缺的一环。

07

彩蛋 1：AI 眼镜能用来作弊吗？

从去年到今年，AI眼镜等“视觉AI硬件”无疑是科技界最热门的焦点，其背后的核心驱动力，是大模型实时视频理解功能的出现，这意味着AI正从被动接收指令，进化到主动感知和理解物理世界。

今年的高考迎来了一项新变化，考场安检门全面升级，目的是精准防范智能眼镜等新型作弊工具，这是巧合的 。

这不禁让人产生好奇，这些新兴的多模态大模型，能够与视频进行实时交互，它们真的能在考场上发挥出强大的作用吗？

我们怀揣着这个疑问，挑选了国外的GPT和国内的元宝，开展了一次不同寻常的测试。为了使流程简便，我们只选用了难度较小的英语阅读题，试着让视频模型“观看”试卷并做出回答。

尽管只是一场极为简易的测试，然而结果十分明晰，问题也颇为显著：

严重的幻觉问题，模型很容易自行想象，GPT有此体现，元宝也有此体现，且元宝更为明显，元宝在测试第二篇阅读时，开始凭空编造一篇完全不存在的文章和题目，致使最终无法进行测试。

英语卷的第二篇阅读，讲的是一位九年级写作老师的反思，反思内容是如何教授学生「写作为什么重要」。文后的24题，问的是第一段提到了哪些人物。

在对元宝进行测试时，屏幕还没出现选择题，元宝就直接编造一道选择题并回复答案，致使测试无法进行。

发现问题后，我们向模型提问，询问这篇文章讲了什么，模型给出的回答很诡异，它与原文看似相似，实则是完全不同的故事。

这是一种被动的交互模式。为了模拟真实考试，在测试里，我们要求模型在看到题目的时候，直接给出答案，既不需要解释，也不需要等人提问。尽管GPT宣称能够看到题目直接作答，可实际上并不会主动这么做。整个过程需要测试人员借助语音持续提示、引导，与「全自动解题」相差很远。

每次看到题目，给定更加精密的提示词时，我们勉强从GPT处得到了一组答案，然而这个结果参考价值并不大 。

稍多进行几次测试，就会发现，翻页速度发生变化，镜头晃动程度出现变化，提示词出现时间产生变化，甚至差不多的流程重复同一个问题，这些情况都会导致模型给出截然不同的答案。

视频模型是GPT-4o模型，不过它直接按照图片作答时的稳定性，和GPT-4o模型相比相距甚远，其准确性也是如此。

而且幻觉问题会随着上下文长度的增加而愈发严重，在被问到第三篇文章讲了什么时，GPT - 4o回答的是第一篇的主要内容，到了最后一篇文章，模型的正确率和瞎猜的差不多了。

今天的视频大模型，和去年的图像大模型极为相似，尚处在非常早期的阶段 。各家大模型产品在现阶段都没打算主推这一功能 ，GPT - 4o的视频通话功能在较短的测试时间后 ，很快就达到了当日限额 。

想在当前阶段，仅仅依靠它在考场进行作弊，还得承担必须持续跟它说话、答案完全不正确等极大风险，这基本上属于科幻情节 。

即便这样，当模型表现出色时，AI能在看到屏幕后的几秒内，迅速且笃定地讲解出屏幕上英文的内容，这着实是一种令人倍感惊艳的体验。

08

彩蛋 2 : 仿生人会爱上自己生成的电子羊吗？

自古以来就有“文无第一，武无第二”的说法。在人类创作者群体里，风格流派呈现出各种各样的形态。喜欢现实主义文风的人，有时确实无法理解意识流的文风 。

那么，在人工智能的世界里会怎样呢？大型模型是否也存在审美倾向呢？它会由于更欣赏自身的文风，进而在给其他模型评分时产生偏见吗？

我们开展了一项有意思的尝试，让参与此次评测的大模型，对彼此创作的作文进行交叉打分，再进行排序。

测试选用的是作文题目的第一次采样结果。

图片里，横向的是鉴定师，竖向的是作品。我们把模型认为的前三名作文标蓝了，也把人类认为的前两名作文标蓝了。

依据这个不完全统计，模型并未展现出对自身作品的特别偏好，有时反倒有可能给自己打出低分。例如元宝的作文，在人类与其他模型的横向评测里，均获得了很高的分数，然而在其自身的评测中，却反而接近最低分了。

AI 与人类判分员的审美，大方向仍然是一致的。

或许真的如同我们普通人类一般，我明白何为好的，然而却写不出来 。

09

结语

今年，或许是高考测试对大模型仍具挑战意义的最后一年。

当AI已经能够展现出冲击顶尖学府的能力时，这个智能筛选器属于人类社会，可能在未来，它不再能成为对AI有区分度的测试了。

高考测试，它不只是一场针对人类智慧与AI智慧的对比，它还是我们用来观察AI智能发展的一个刻度表。

在过去的一年里，我们对AI的能力有了直观感受，并且经过了多次验证，这些感受和验证正不断地提醒我们，AI正在加速逼近普通人的能力边界，甚至超越这一边界 。

它的发展不是呈线性的，它能够攻克人类眼中的难题，然而它也会在看似简单的题目上意外出错。

正因为这样，高考是一个完美融合了知识掌握、逻辑推理与应试策略的综合场景，在这个场景中，AI展现出了它最迷人而矛盾的一面，它时而展现出顶尖人类的才华，能够轻而易举地攻克难题，时而又暴露出孩童般的认知盲区，会在基础问题上犯下令人啼笑皆非的错误。

感谢高考，它以一种我们最为熟知的方式，为AI的通用智能水平提供了一张刻度清晰的“快照”，这张“快照”极具参考价值，并且很可能是最后一张了。

AI 的下一站，会是更为复杂、更为广阔的现实世界。考试，仅仅是它漫长征途的起始点，并非能力边界的终点 。

这张快照，最终会成为它成长相册中的一张旧照片，这张旧照片已经泛黄，它记录了进化途中的光荣与笨拙 。