我们用难哭考生的2025北京中考测了7款大模型的真实水平

访客 2025-07-05 11:07:13 78253

默认

摘要： 引言：2025北京中考落下帷幕，11.05万名考生顺利完考。这是北京新一轮中考改革的首次落地，考试时间从往年的三天压缩...

引言：2025北京中考落下帷幕，11.05万名考生顺利完考。

这是北京新一轮中考改革的首次落地，考试时间从往年的三天压缩至了两天。最大的变化有两个，一是总分值由670分降至510分，二是道德与法治采取开卷考试形式。

总分降低意味着每一分的价值更高，高分段竞争可能更激烈。同时，各学科命题会更注重考查学生的核心素养和关键能力。

比如数学降低了简单题的占比，题型创新性强（如新函数、圆综题难度大），区分度提升。语文的试题则特别体现了考生对语言文字基本功、基本的感受能力的考查，引导学生在情境当中去思考如何去运用语言文字来解决问题。

从考生网友的反馈来看，三个字，难哭了。

以今年的语文作文为例，两道题目二选一，作文一聚焦科学与健康方向——《这样生活更健康》，作文二则强调科学素养与生活实践——《一堂科学课》，题目看着简单，但想写出彩并不容易，也难怪有考生直呼：这题我熟，但写起来太难了！

看到这儿，相信很多人和我一样有一个疑问，如果把当下各种主流AI大模型当作中考考生，它们到底能答出怎样一份答卷？

我们更好奇的是，作为检验初中学业水平的标尺，以当下大模型的水准，是否是传说中的学霸尖子生呢。

【7款大模型实战2025北京中考，这才是它们的真实水平】

先介绍一下这次大模型中考的参赛选手和测试方法。

考题：

2025北京中考，语文作文（题目二）、英语作文（题目二）、数学全卷。

考生名单：

DeepSeek、字节豆包、讯飞星火、通义千问、腾讯混元、文心一言、GPT。

选择这7位，基本都是大家最常用到的大模型，过于小众的、没有代表性的，不在此次考察范围内。

测试方法：

为了确保公平，所有参与测试大模型考生统一关闭联网功能，打开深度推理。

语文作文、英语作文以文本形式提问。其中，语文作文评分特邀前人大附中分校语文名师、中考命题高级研究员李豪，以及中考语文资深教研专家、曾参与多所重点中学语文备考方案制定的重点校特邀讲师金宇佳参与评分，由这两位资深语文教育专家分别进行打分，取两位老师的平均分作为最终评分的形式进行实测。

英语作文评分特邀原咸宁市中考命题专家兼英语学科命题组长张扬，以及10年以上英语教研工作经验、多次担任北京中考英语阅卷人的石杨两位专家打分，同样取平均分。

数学题目提问采用图片扫描和LaTeX格式两种评判方式。判分与人类考生统一标准：选择题和填空题只看最终结果，不考虑模型解题过程是否准确；解答题分两种情况，普通解答题采用的是结果分，证明题则是按步骤给分。

我们先来看看这七款大模型，三科测试的最终结果：

这里说明一下，语文作文和英语作文，我们都选择题目二来进行考试。

2025年北京中考语文作文的分数为40分。考生需要在两个题目中选择一个，要求作文内容积极向上，字数在600-800之间。

语文作文第二道是《一堂科学课》，首先大模型跟这个选题更相关，相较第一个生活类话题《这样生活更健康》，更加考验大模型的思辨能力，跟容易考出区分度。

2025年北京中考英语作文的分数为10分。考生需要在两个题目中选择一个，完成一篇不少于50词的英语文段写作

英语作文题目一有图表，这就需要考察OCR能力，但各家大模型的OCR有自研的，也有第三方的，无法统一标准，会对结果有影响。所以统一选择没有图表的题目二来进行作答。

数学试卷因为涉及到一些公式识别，特别是多行的，以及图形等，这就很考验大模型的文档信息分析识别与提取，所以此次采用两种方式进行测试，一种是直接用图片扫描，另一种是用LaTeX格式。

接下来我们仔细看看单科的成绩：

一、数学：

小结：从数学成绩来看，以图片格式扫描数学试卷，一题一题来测试，讯飞星火、豆包、GPT三款大模型的分数排名前三，都在85分以上，而通义千问、文心一言、Deepseek三款大模型排名靠后，分别为73分、68分、63分。能拿到这个成绩并不简单，此前考生们普遍反映这届数学文字量太大了根本就写不完。

值得注意的是，在图片格式下，寄予厚望的Deepeek直接就宣布出局了，因它存在图片识别问题，无法正确识别出数学算式，所以导致得分最低。

在解答选择、填空两种客观题方面，除了Deepeek填空题得10分外，各家大模型的差别都不大，得分区间在14-16分。其中讯飞星火X1两项都拿下满分，而得分较低的通义千问、文心一言在填空方面却很擅长，也拿下满分。

不过，拉开几款大模型分数的主要是解答题这类主观题。

测试结果显示，满分68分的解答题，Deepseek仅拿下39分，而豆包得分59分，足足20分的差距。

在整式运算、解不等式组、分式化简求值、方程应用和函数问题方面，各家大模型都表现良好，得分率较高。

而在涉及图片信息理解的几何证明与计算、统计图表、函数图象问题上，各家大模型均出现丢分情况。这是因为大模型在处理图像题时，常因无法准确识别图形元素或理解题目中的视觉暗示，例如，涉及几何证明、动态变化等需要空间想象能力的题目，大模型的表现尤为挣扎。

在LaTeX格式下，除GPT外，其他几款大模型的分数差距不大，得分在78分-89分之间。从整体排名看，讯飞星火、Deepseek、腾讯混元排名前三，文心一言、GPT排名靠后。

值得一提的是，我们此次测试采用的是GPT-o3版本，该模型在LaTeX格式下图片缺失，所给答案错误或无结果，导致得分较低，而附带试题图片和LaTeX格式则会输出英文解题流程，答案仍不正确，整体分值明显下降，从86分降为63分。

而Deepseek在LaTeX格式输入下能正确理解数学算式，整体分值显著提升，分数从63分变为84分。

其余5款大模型无论采用图片格式，还是LaTeX格式，客观题和主观题作答情况和丢分点基本保持一致，这也是各家大模型今后要关注的优化重点。

二、语文作文：

小结：从语文作文最终成绩来看，7个主流大模型考生的最低分也有32.5分，最高分甚至来到了37.5分，换算成百分制的话在81-94分之间，平均分接近86分，表现相当不错。从7位考生的解题思路与最终成文也能看出，当下AI大模型已具备非常强的成品交付能力，面对明确的写作指令，各平台均能精准把握需求，输出逻辑自洽、主题聚焦的内容，有效规避了偏题跑题等基础失误。同时，能融入模拟人类思考的个性化观点，降低了AI 生成内容的机械感。

当然，在细节雕琢与文本质感层面，各模型的差异性逐渐显现。

以 GPT为代表的海外模型，尽管拥有强大的语言处理能力，但在中文语境适配性上仍有提升空间，虽然作文主题明确，结构完整，语言流畅，但依然存在立意较浅、内容有点脱离实际、真情实感不足、部分段落重复拖沓等问题。

腾讯混元、文心一言、通义千问都能符合题意，中心明确，紧扣科学课主题，但均存在情感表达流于表面、个别比喻不够精准、叙述显得空泛，真情实感不足、部分段落重复拖沓、叙述不够完整等待改善的问题，在文章立意上还有待拔高，属于二类卷考生的中上表现。

相较之下，豆包、DeepSeek展现出更出色的创作实力，均达到了一类卷的水准，但距离炉火纯青还稍差火候。拿到最高37.5分的讯飞星火，则凭借深刻独到的立意、流畅生动的语言脱颖而出，在本次评测中摘得桂冠。两位专家在点评中给予了高度评价——科学观察与情感升华浑然天成，立意高度与现场感尤为突出，堪称一类卷上乘之作。

以下为各大模型生成的语文作文过程：

讯飞星火：

DeepSeek：

豆包：

通义千问：

文心一言：

GPT：

腾讯混元：

三、英语作文：

小结：英语作文最终成绩显示，7个主流大模型考生中最低分为7分，最高分甚至拿到满分10分，若换算为百分制，分数区间在70-100分，平均分超过84分，虽表现十分亮眼，但平均分稍逊于语文，可见绝大多数的国产大模型还是更擅长中文写作。

此外，7-10分的落差也能看出成绩差异很大，貌似有大模型考生出现了偏科。

其中腾讯混元生成的作文被定义为良好级别，其结构完整，语言表意准确，但内容没有独特的细节，缺乏更复杂的句式、高级词汇，给人稍显单一的感觉。若篇章衔接和语言表达更多样化、更高级化，有望向卓越级别靠拢。