AI大模型挑战高考：豆包等三款国产大模型突破文科一本线 数理学科仍需提升

  当大模型化身考生参加高考，究竟会获得怎样的成绩？

  6月24日，在极客公园最新发布的高考新课标Ⅰ卷大模型评测报告中，文科本科一批录取分数线为521分，GPT-4o以562分排名文科总分第一，字节豆包以542.5分位列于GPT-4o之后，排名国产AI第一。字节豆包、文心一言、百小应三款国产AI成功超过一本线。

  但与文科相比，大模型在理科方面的表现却不尽如人意，其最高分数不到480分的标准，而多数大模型的理科成绩更是低于400分。与河南地区理科一本线的511分相比，大模型尚有很大差距。

图片来源于网络，如有侵权，请联系删除

图源：极客公园

  大模型语言能力强项，作文仍需继续提升

图片来源于网络，如有侵权，请联系删除

  在所有考试科目中，语文、英语这两门语言类考试，是大模型与人类考生实力最为接近的赛场，其主要原因还是因为知识记忆和语言文字运用是大模型的强项。

  在语文考试中，凭借中文语言的“主场优势”，包括GPT-4o这个外国考生在内，所有大模型的客观题都能取得不错的成绩，三款国产大模型产品获得了语文考试前三名，分别是百小应、字节豆包和腾讯元宝。

  作为语文考试中，作为最容易拉开差距的题型，作文成为了本次考试的分水岭。面对相对开放的作文题目“随着互联网的普及、人工智能的应用，越来越多的问题能很快得到答案。那么，我们的问题是否会越来越少？以上材料引发了你怎样的联想和思考？请写一篇文章。”

  本次评测的语文作文阅卷人，曾多次参加全国高考语文阅卷的北京市级骨干教师、怀柔区语文学科带头人夏老师表示，大模型的整体写作能力处于一个很高的水平，大多数有清晰完整的结构，有逻辑性，语言通顺流畅，甚至超过学生的写作能力。“但其理性有余，感性不足，缺乏感情色彩，自然就缺乏感染力。”

  令人惊喜的是，豆包大模型的作文得到了阅卷老师的好评。该文中显出的对就业结构、伦理方面的担心，展现出了豆包已经具有不错的思想深度和思辨能力。在立住“问题”后，豆包还能随即用反问句自然过渡，引出三个排比段提出解决问题的方法——保持“问题意识”。阅卷老师给这篇作文打了52分，其中用发展的眼光分析问题，结合现实生活揭示问题产生的根源和危害的部分颇为亮点，并且整体上“结构严谨，层层推进，语句流畅，认识全面”。

  英语，写作同样是大模型的一大难题。本次评测默认所有大模型的听力都获得30分满分。在阅读和语言运用两大项客观问题的考试上，GPT-4o、百小应、通义千问获得80分满分，豆包和文心一言4.0也接近满分。但是在40分的写作考试中，最高分只有29分，分别由GPT-4o和百小应获得，各家模型的英语写作主要丢分在表达空泛、缺少细节上。如果大模型在未来能够提升写作能力，获得高考满分并非难事。

  文综整体出色，国产大模型进步飞快

  在由历史、地理、政治组成的新课标文综考卷评测中，大模型整体表现优异。GPT-4o获得237分的成绩。国产大模型产品中，豆包的文综成绩最高，分数达到224.5分，其中历史和政治两科得分率超过80%。如果分科来看，豆包在历史考试中以82.5分在所有参与考试的大模型中位列第一，而“外来的和尚”GPT-4o则在政治考试中取得88分的佳绩。

  在被称为“文科中的理科”地理考卷中包含大量图片问题，且地理的学科属性中有着更强的逻辑能力，对一众大模型而言是不小的挑战，最终的得分也证明了大模型整体对于地理考试的不擅长，图像理解能力较强的GPT-4o取得最高分，但最终也仅取得68分。

  河南高考分数段统计数据显示，GPT-4o的562分在文科考生中排名8811名，相当于人类考生的前2.45%。而在国产大模型中，豆包以542.5分位列第一，处于前4.27%的位置。

  在过去的一年中，国产AI大模型取得了显著的提升，其整体能力已经可以与GPT-4等国际顶尖大模型一较高下。高考评测报告结果也表明，我国在人工智能领域的研发实力和技术成果正在不断进步，与国际先进水平的差距也在进一步缩小。

  理综成绩差距较大，AI需学会像人类一样思考

  尽管大模型在文科领域展现出了一定的优势，但在数学、物理、化学等理科科目上，它们的性能与人类顶尖考生相比有着显著的差距。经过全面的评估，包括GPT-4o在内的大模型在这些科目中均未能达到及格标准，即便是最好的成绩也无法跻身人类考生的前30%。

  以数学为例，9款大模型产品中，仅GPT-4o、文心一言4.0和豆包三款模型的得分略高于60分（满分150分）。这意味着目前的大模型在处理复杂的数学问题时仍然力不从心，只能解决一些相对简单的推理步骤，且存在把简单问题复杂化的情况。据测试机构透露，豆包等大模型能准确运用求导公式和三角函数定理，但是面对较为复杂的推导和证明问题就很难继续得分。

  重点考查实验探究能力的化学和物理试卷，各模型平均分更是只有34分和39分（满分为100和110）。化学单项最高分由豆包获得，成绩为49.5分，GPT-4o仅有42分。大模型在应对考试的灵活性上也不如人类。例如物理考试中有一道送分题，人类考生根据“时间不会倒流”可以排除错误选项，轻易选对正确答案“C”，大模型则几乎全军覆没。

  此外，大模型在整体表现上虽然取得了一定的成绩，但仍存在一些问题。例如，它们普遍缺乏反思能力，当计算过程出现错误时，无法像人类一样进行检查和修正。此外，在回答某些问题时，AI模型可能会过于依赖已有的知识和经验，而忽略了一些新的信息和观点。

  要学会像人类一样思考和解决问题，大模型还有很长的路要走。

  AI的发展不仅仅是技术上的突破，更需要在应用场景和领域上进行不断的探索和创新。从几年前AI开始尝试做小学题目，到2022 年第一次有人将AI带进高考的英语考场，再到现在以豆包为代表的国产大模型“考生”取得不俗的文综成绩。正如一位大模型考生在语文作文中所提到的“路漫漫其修远兮，吾将上下而求索。”这次模拟高考的结束，将会成为大模型发展的新起点，相信AI在不远的将来一定能够为我们带来更多的惊喜和改变。（作者周靖杰 实习生蒋瑞）