國(guó)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(lái)源：量子位

金磊 發(fā)自 凹非寺

量子位 | 公眾號(hào) QbitAI

這兩天啊，各地高考的成績(jī)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(jī)”了——

我們先來(lái)看下整體的情況（該測(cè)試由字節(jié)跳動(dòng)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(jī)655分，在所有選手里排名第一。豆包的文科總成績(jī)683分，排名第一，理科總成績(jī)是648分，排名第二。

再來(lái)看下各個(gè)細(xì)分科目的成績(jī)情況：

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

不過(guò)其它AI選手的表現(xiàn)也是比較不錯(cuò)，可以說(shuō)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(yǔ)文寫(xiě)作上跑了題，因此語(yǔ)文成績(jī)僅95分，拉低了整體的分?jǐn)?shù)。

若是從填報(bào)志愿角度來(lái)看，因?yàn)檫@套測(cè)試采用的是山東省的試卷，根據(jù)過(guò)往經(jīng)驗(yàn)判斷，3門自選科目的賦分相比原始分會(huì)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(jī)相對(duì)稍低外，豆包的其余科目組合的賦分成績(jī)最高能超過(guò)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(jī)按照一定比例劃分等級(jí)，然后將等級(jí)轉(zhuǎn)換為等級(jí)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(jī)之后，或許很多小伙伴都有疑惑，這個(gè)評(píng)測(cè)成績(jī)到底是怎么來(lái)的。

別急，我們這就對(duì)評(píng)測(cè)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(yǔ)文、數(shù)學(xué)、英語(yǔ)）采用的是今年的全國(guó)一卷，副科采用的則是山東卷，滿分共計(jì)750分。

其次在評(píng)測(cè)方式上，都是通過(guò)API測(cè)試，不會(huì)聯(lián)網(wǎng)查詢，評(píng)分過(guò)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(píng)（自動(dòng)評(píng)估）加人工質(zhì)檢的方式；
• 開(kāi)放題
• 實(shí)行雙評(píng)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(píng)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(yǔ)文數(shù)學(xué)英語(yǔ)）+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(píng)測(cè)過(guò)程中，模型們并沒(méi)有用任何提示詞優(yōu)化技巧來(lái)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(shuō)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(lái)看，Gemini、豆包相對(duì)其他AI來(lái)說(shuō)取得了較優(yōu)的成績(jī)。

細(xì)分科目表現(xiàn)分析

了解完評(píng)測(cè)標(biāo)準(zhǔn)之后，我們繼續(xù)深入解讀一下AI選手們?cè)诟鱾€(gè)科目上的表現(xiàn)。

由于深度思考的大火，大模型們?cè)?strong>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(jī)。

不過(guò)在一道不算難的單選題（全國(guó)一卷第6題）上，國(guó)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?cè)诖巳姼矝](méi)。

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(shuō)明它們?cè)?“看圖說(shuō)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(méi)完全拿下，經(jīng)常漏寫(xiě)證明過(guò)程，或者推導(dǎo)不嚴(yán)謹(jǐn)被扣分，說(shuō)明在細(xì)節(jié)上還需加強(qiáng)。

到做語(yǔ)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(guò)在作文寫(xiě)作過(guò)程也暴露出了一些問(wèn)題，例如寫(xiě)作過(guò)于刻板、文字冰冷，文章字?jǐn)?shù)不達(dá)標(biāo)（不足800字或超過(guò)1200字）、立意不對(duì)，形式上還經(jīng)常會(huì)出現(xiàn)慣用的小標(biāo)題。

在英語(yǔ)測(cè)試過(guò)程中，大模型們幾乎挑不出毛病，唯一扣分點(diǎn)是在寫(xiě)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(duì)于理綜，遇到帶圖的題目大模型們還是會(huì)犯難，不過(guò)豆包和Gemini這倆模型在看圖像和理解圖的能力上會(huì)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(guó)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(duì)中國(guó)的知識(shí)點(diǎn)不太 “感冒”。

而對(duì)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(duì)于本次評(píng)測(cè)的全面分析了。

除了今年國(guó)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(chǎng)考試每年有數(shù)百萬(wàn)人參與第一階段考試，其中前25萬(wàn)考生可晉級(jí)第二階段。它分為兩場(chǎng)，每場(chǎng)時(shí)長(zhǎng)3小時(shí)，同時(shí)對(duì)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(píng)分——答對(duì)得分、答錯(cuò)扣分，不涉及格式評(píng)分標(biāo)準(zhǔn)。

與全印度人類考生成績(jī)對(duì)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(duì)。

怎么做到的？

相比去年一本線上下的水平，整體來(lái)看，大模型們?cè)诮衲旮呖碱}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(lái)了解一下。

豆包大模型1.6系列，是字節(jié)跳動(dòng)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(zhǎng)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(guò)程通過(guò)三個(gè)階段實(shí)現(xiàn)多模態(tài)能力融合與長(zhǎng)上下文支持：

• 第一階段：純文本預(yù)訓(xùn)練
  以網(wǎng)頁(yè)、書(shū)籍、論文、代碼等數(shù)據(jù)為訓(xùn)練基礎(chǔ)，通過(guò)規(guī)則與模型結(jié)合的數(shù)據(jù)清洗、過(guò)濾、去重及采樣策略，提升數(shù)據(jù)質(zhì)量與知識(shí)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(shí)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(jué)模態(tài)數(shù)據(jù)，與高質(zhì)量文本混合訓(xùn)練。
• 第三階段：長(zhǎng)上下文持續(xù)訓(xùn)練（LongCT）
  通過(guò)不同長(zhǎng)度的長(zhǎng)文數(shù)據(jù)逐步擴(kuò)展模型序列長(zhǎng)度，將最大支持長(zhǎng)度從32K提升至256K。

通過(guò)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(duì)諸如高考語(yǔ)文閱讀理解、英語(yǔ)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(zhǎng)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(guò)多維度獎(jiǎng)勵(lì)模型篩選最優(yōu)回答。相較于前代，其升級(jí)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(wèn)題的思考長(zhǎng)度，深度融合VLM能力，賦予模型清晰的視覺(jué)理解能力；
• 引入parallel decoding技術(shù)，無(wú)需額外訓(xùn)練即可擴(kuò)展模型能力 —— 例如在高難度測(cè)試集Beyond AIME中，推理成績(jī)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(duì)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(guò)度思考問(wèn)題

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

為此，Seed1.6-AutoCoT提出 “動(dòng)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(guò)RL訓(xùn)練中引入新獎(jiǎng)勵(lì)函數(shù)（懲罰過(guò)度思考、獎(jiǎng)勵(lì)恰當(dāng)思考），實(shí)現(xiàn)CoT長(zhǎng)度的動(dòng)態(tài)壓縮。

在實(shí)際測(cè)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(duì)Long CoT推理優(yōu)勢(shì)的保留。

以上就是豆包能夠在今年高考全科目評(píng)測(cè)中脫穎而出的原因了。

不過(guò)除此之外，還有一些影響因素值得說(shuō)道說(shuō)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(huì)導(dǎo)致多數(shù)大模型的表現(xiàn)不佳；不過(guò)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(guò)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(cè)試了對(duì)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(shuō)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(lái)值得深入探索的方向。

那么你對(duì)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(cè)后，在評(píng)論區(qū)留言你的感受~

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