國產(chǎn)大模型高考出分了：裸分683，選清華還是北大？

十三 2025-06-26 15:08:08 來源：量子位

金磊 發(fā)自 凹非寺

量子位 | 公眾號 QbitAI

這兩天啊，各地高考的成績終于是陸續(xù)公布了。

現(xiàn)在，也是時(shí)候揭曉全球第一梯隊(duì)的大模型們的“高考成績”了——

我們先來看下整體的情況（該測試由字節(jié)跳動Seed團(tuán)隊(duì)官方發(fā)布）：

按照傳統(tǒng)文理分科計(jì)分方式，Gemini的理科總成績655分，在所有選手里排名第一。豆包的文科總成績683分，排名第一，理科總成績是648分，排名第二。

再來看下各個(gè)細(xì)分科目的成績情況：

除了數(shù)學(xué)、化學(xué)和生物之外，豆包的成績依舊是名列前茅，6個(gè)科目均是第一。

不過其它AI選手的表現(xiàn)也是比較不錯，可以說是達(dá)到了優(yōu)秀學(xué)生的水準(zhǔn)。

比較遺憾的選手就要屬O3，因?yàn)樗?strong>語文寫作上跑了題，因此語文成績僅95分，拉低了整體的分?jǐn)?shù)。

若是從填報(bào)志愿角度來看，因?yàn)檫@套測試采用的是山東省的試卷，根據(jù)過往經(jīng)驗(yàn)判斷，3門自選科目的賦分相比原始分會有一定程度的提高，尤其是在化學(xué)、物理等難度較大的科目上。本次除化學(xué)成績相對稍低外，豆包的其余科目組合的賦分成績最高能超過690分，有望沖刺清華、北大。

（賦分規(guī)則：將考生選考科目的原始成績按照一定比例劃分等級，然后將等級轉(zhuǎn)換為等級分計(jì)入高考總分）

好，那現(xiàn)在的豆包面臨的抉擇是：上清華還是上北大？

大模型參加高考，分?jǐn)?shù)怎么判？

在看完成績之后，或許很多小伙伴都有疑惑，這個(gè)評測成績到底是怎么來的。

別急，我們這就對評測標(biāo)準(zhǔn)逐條解析。

首先在卷子的選擇上，由于目前網(wǎng)絡(luò)流出的高考真題都是非官方的，而山東是少數(shù)傳出全套考卷的高考大??；因此主科（即語文、數(shù)學(xué)、英語）采用的是今年的全國一卷，副科采用的則是山東卷，滿分共計(jì)750分。

其次在評測方式上，都是通過API測試，不會聯(lián)網(wǎng)查詢，評分過程也是參考高考判卷方式，就是為了檢驗(yàn)?zāi)Ｐ妥陨淼姆夯芰Γ?/p>

• 選擇題、填空題
• 采用機(jī)評（自動評估）加人工質(zhì)檢的方式；
• 開放題
• 實(shí)行雙評制，由兩位具有聯(lián)考閱卷經(jīng)驗(yàn)的重點(diǎn)高中教師匿名評閱，并設(shè)置多輪質(zhì)檢環(huán)節(jié)。

在給模型打分的時(shí)候，采用的是 “3門主科（語文數(shù)學(xué)英語）+3門綜合科（理綜或文綜）” 的總分計(jì)算方式，給五個(gè)模型排了個(gè)名次。

值得一提的是，整個(gè)評測過程中，模型們并沒有用任何提示詞優(yōu)化技巧來提高模型的表現(xiàn)，例如要求某個(gè)模型回答得更詳細(xì)一些，或者刻意說明是高考等等。

最后，就是在這樣一個(gè)公平公正的環(huán)境之下，從剛才我們展示的結(jié)果來看，Gemini、豆包相對其他AI來說取得了較優(yōu)的成績。

細(xì)分科目表現(xiàn)分析

了解完評測標(biāo)準(zhǔn)之后，我們繼續(xù)深入解讀一下AI選手們在各個(gè)科目上的表現(xiàn)。

由于深度思考的大火，大模型們在數(shù)學(xué)這樣強(qiáng)推理科目上的能力明顯要比去年好很多（此前大部分均不及格），基本上都能達(dá)到140分的成績。

不過在一道不算難的單選題（全國一卷第6題）上，國內(nèi)外的大模型們卻都栽了跟頭：

這道題大模型們給出的答案是這樣的：

豆包：C；Gemini：B；Claude：C；O3：C；DeepSeek：C。

但這道題的正解應(yīng)該是A，因此大模型們在此全軍覆沒。

之所如此，主要是因?yàn)轭}目里有方框、虛線、箭頭和漢字混在一起的圖，模型認(rèn)不準(zhǔn)圖像，說明它們在 “看圖說話” 這塊還有進(jìn)步空間。

以及在更難的壓軸大題上，很多大模型也沒完全拿下，經(jīng)常漏寫證明過程，或者推導(dǎo)不嚴(yán)謹(jǐn)被扣分，說明在細(xì)節(jié)上還需加強(qiáng)。

到做語文選擇題和閱讀題這兩個(gè)版塊，大模型們幾乎是 “學(xué)霸本霸”，得分率超高。

不過在作文寫作過程也暴露出了一些問題，例如寫作過于刻板、文字冰冷，文章字?jǐn)?shù)不達(dá)標(biāo)（不足800字或超過1200字）、立意不對，形式上還經(jīng)常會出現(xiàn)慣用的小標(biāo)題。

在英語測試過程中，大模型們幾乎挑不出毛病，唯一扣分點(diǎn)是在寫作上，比如用詞不夠精準(zhǔn)、句式稍顯單調(diào)，但整體已經(jīng)很接近完美。

對于理綜，遇到帶圖的題目大模型們還是會犯難，不過豆包和Gemini這倆模型在看圖像和理解圖的能力上會比其他模型強(qiáng)一些。

例如下面這道題中，正確答案應(yīng)當(dāng)是C，大模型們的作答是這樣的：

豆包：C；Gemini：C；Claude：D；O3：D；DeepSeek：D。

最后在文綜方面，大模型的地域差別就顯現(xiàn)得比較明顯，國外的大模型做政治、歷史題時(shí)，經(jīng)常搞不懂題目在考啥，對中國的知識點(diǎn)不太 “感冒”。

而對于地理題，最頭疼的便是分析統(tǒng)計(jì)圖和地形圖，得從圖里精準(zhǔn)提取信息再分析。

以上就是對于本次評測的全面分析了。

除了今年國內(nèi)的高考之外，這幾位“參賽選手”還參加了印度理工學(xué)院的第二階段入學(xué)考試——JEE Advanced。

這場考試每年有數(shù)百萬人參與第一階段考試，其中前25萬考生可晉級第二階段。它分為兩場，每場時(shí)長3小時(shí)，同時(shí)對數(shù)學(xué)、物理、化學(xué)三科進(jìn)行考察。

題目以圖片形式呈現(xiàn)，重點(diǎn)考查模型的多模態(tài)處理能力與推理泛化能力。所有題目均為客觀題，每道題進(jìn)行5次采樣，并嚴(yán)格按照J(rèn)EE考試規(guī)則評分——答對得分、答錯扣分，不涉及格式評分標(biāo)準(zhǔn)。

與全印度人類考生成績對比顯示，第一名得分332分，第十名得分317分。

值得注意的是，豆包與Gemini已具備進(jìn)入全印度前10的實(shí)力：Gemini在物理和化學(xué)科目中表現(xiàn)突出，而豆包在數(shù)學(xué)科目5次采樣中實(shí)現(xiàn)全對。

怎么做到的？

相比去年一本線上下的水平，整體來看，大模型們在今年高考題上的表現(xiàn)均有明顯的進(jìn)步。

那么它們到底是如何提升能力的？我們不妨以拿下單科第一最多的豆包為例來了解一下。

豆包大模型1.6系列，是字節(jié)跳動Seed團(tuán)隊(duì)推出的兼具多模態(tài)能力與深度推理的新一代通用模型。

團(tuán)隊(duì)讓它能力提升的技術(shù)亮點(diǎn)，我們可以歸結(jié)為三招。

第一招：多模態(tài)融合與256K長上下文能力構(gòu)建

Seed1.6延續(xù)了Seed1.5在稀疏MoE（混合專家模型）領(lǐng)域的技術(shù)積累，采用23B激活參數(shù)與230B總參數(shù)規(guī)模進(jìn)行預(yù)訓(xùn)練。其預(yù)訓(xùn)練過程通過三個(gè)階段實(shí)現(xiàn)多模態(tài)能力融合與長上下文支持：

• 第一階段：純文本預(yù)訓(xùn)練
  以網(wǎng)頁、書籍、論文、代碼等數(shù)據(jù)為訓(xùn)練基礎(chǔ)，通過規(guī)則與模型結(jié)合的數(shù)據(jù)清洗、過濾、去重及采樣策略，提升數(shù)據(jù)質(zhì)量與知識密度。
• 第二階段：多模態(tài)混合持續(xù)訓(xùn)練（MMCT）
  進(jìn)一步強(qiáng)化文本數(shù)據(jù)的知識與推理密度，增加學(xué)科、代碼、推理類數(shù)據(jù)占比，同時(shí)引入視覺模態(tài)數(shù)據(jù)，與高質(zhì)量文本混合訓(xùn)練。
• 第三階段：長上下文持續(xù)訓(xùn)練（LongCT）
  通過不同長度的長文數(shù)據(jù)逐步擴(kuò)展模型序列長度，將最大支持長度從32K提升至256K。

通過模型架構(gòu)、訓(xùn)練算法及Infra的持續(xù)優(yōu)化，Seed1.6 base模型在參數(shù)量規(guī)模接近的情況下，性能較Seed1.5 base實(shí)現(xiàn)顯著提升，為后續(xù)后訓(xùn)練工作奠定基礎(chǔ)。

這一招的發(fā)力，就對諸如高考語文閱讀理解、英語完形填空和理科綜合應(yīng)用題等的作答上起到了提高準(zhǔn)確率的作用，因?yàn)樗鼈兺婕伴L文本且看重上下文理解。

第二招：多模態(tài)融合的深度思考能力

Seed1.6-Thinking 延續(xù)Seed1.5-Thinking的多階段RFT（強(qiáng)化反饋訓(xùn)練）與RL（強(qiáng)化學(xué)習(xí)）迭代優(yōu)化方法，每輪RL以上一輪RFT為起點(diǎn)，通過多維度獎勵模型篩選最優(yōu)回答。相較于前代，其升級點(diǎn)包括：

• 拓展訓(xùn)練算力，擴(kuò)大高質(zhì)量數(shù)據(jù)規(guī)模（涵蓋 Math、Code、Puzzle 等領(lǐng)域）；
• 提升復(fù)雜問題的思考長度，深度融合VLM能力，賦予模型清晰的視覺理解能力；
• 引入parallel decoding技術(shù)，無需額外訓(xùn)練即可擴(kuò)展模型能力 —— 例如在高難度測試集Beyond AIME中，推理成績提升8分，代碼任務(wù)表現(xiàn)也顯著優(yōu)化。

這種能力直接對應(yīng)高考中涉及圖表、公式的題目，如數(shù)學(xué)幾何證明、物理電路圖分析、地理等高線判讀等；可以快速定位關(guān)鍵參數(shù)并推導(dǎo)出解題路徑，避免因單一模態(tài)信息缺失導(dǎo)致的誤判。

第三招：AutoCoT解決過度思考問題

深度思考依賴Long CoT（長思維鏈）增強(qiáng)推理能力，但易導(dǎo)致 “過度思考”—— 生成大量無效token，增加推理負(fù)擔(dān)。

為此，Seed1.6-AutoCoT提出 “動態(tài)思考能力”，提供全思考、不思考、自適應(yīng)思考三種模式，并通過RL訓(xùn)練中引入新獎勵函數(shù)（懲罰過度思考、獎勵恰當(dāng)思考），實(shí)現(xiàn)CoT長度的動態(tài)壓縮。

在實(shí)際測試中：

• 中等難度任務(wù)（如 MMLU、MMLU pro）中，CoT 觸發(fā)率與任務(wù)難度正相關(guān)（MMLU 觸發(fā)率37%，MMLU pro觸發(fā)率70%）；
• 復(fù)雜任務(wù)（如AIME）中，CoT觸發(fā)率達(dá)100%，效果與Seed1.6-FullCoT相當(dāng)，驗(yàn)證了自適應(yīng)思考對Long CoT推理優(yōu)勢的保留。

以上就是豆包能夠在今年高考全科目評測中脫穎而出的原因了。

不過除此之外，還有一些影響因素值得說道說道。

正如我們剛才提到的，化學(xué)和生物的題目中讀圖題占比較大，但因非官方發(fā)布的圖片清晰度不足，會導(dǎo)致多數(shù)大模型的表現(xiàn)不佳；不過Gemini2.5-Pro-0605的多模態(tài)能力較突出，尤其在化學(xué)領(lǐng)域。

不過最近，字節(jié)Seed團(tuán)隊(duì)在使用了更清晰的高考真題圖片后，以圖文結(jié)合的方式重新測試了對圖片理解要求較高的生物和化學(xué)科目，結(jié)果顯示Seed1.6-Thinking的總分提升了近30分（理科總分達(dá)676）。

△圖文交織輸入示例

這說明，全模態(tài)推理（結(jié)合文本與圖像）能顯著釋放模型潛力，是未來值得深入探索的方向。

那么你對于這次大模型們的battle結(jié)果有何看法？歡迎大家拿真題去實(shí)測后，在評論區(qū)留言你的感受~

評分明細(xì)詳情：
https://bytedance.sg.larkoffice.com/sheets/QgoFs7RBjhnrUXtCBsYl0Jg2gmg