一、大模型 “高考” 成绩揭晓：文理状元花落谁家

（一）总分排名：豆包、Gemini 领跑第一梯队

在字节跳动 Seed 团队发布的评测中，按照传统文理分科计分方式，豆包以文科 683 分、理科 648 分的成绩，分别斩获文科第一和理科第二；Gemini 则以理科 655 分位列理科第一，文科成绩稍逊于豆包，排名第二。其他选手如 DeepSeek、Claude 等也表现不俗，达到优秀学生水准，但 OpenAI 的 O3 因语文写作跑题，仅得 95 分，拉低了整体分数。

（二）赋分优势：豆包有望冲击 690+，剑指清北

此次测试采用山东省试卷，3 门自选科目的赋分相比原始分会有一定提高，尤其是化学、物理等难度较大科目。除化学成绩相对稍低外，豆包其余科目组合的赋分成绩最高能超过 690 分。参照过往经验，这样的成绩有望冲刺清华、北大等顶尖学府。

二、高考评测标准大起底：公平公正如何实现

（一）试卷选择：全国一卷与山东卷结合，满分 750 分

考虑到网络上高考真题的非官方性，山东是少数传出全套考卷的高考大省，因此主科（语文、数学、英语）采用今年的全国一卷，副科采用山东卷，满分共计 750 分，全面考察大模型的综合能力。

（二）评分方式：机评人工双保障，拒绝 “提示词优化”

评测通过 API 测试，不联网查询，纯靠模型自身泛化能力。选择题、填空题采用机评加人工质检，开放题实行双评制，由两位有联考阅卷经验的重点高中教师匿名评阅，设置多轮质检环节。且整个过程未用任何提示词优化技巧，确保公平公正。

三、各科表现深度解析：优势与短板并存

（一）理科：推理能力提升显著，图像识别仍需突破

深度思考技术让大模型在数学等强推理科目上进步明显，多数能达 140 分。但在全国一卷第 6 题，因题目包含复杂图像，大模型们全军覆没，正解为 A，而豆包、Gemini 等均答错。压轴大题上，也常因漏写证明过程、推导不严谨被扣分，细节处理待加强。理综带图题目仍是难点，不过豆包和 Gemini 的图像理解能力相对较强。

（二）文科：语英尽显 “学霸” 本色，作文短板突出

语文选择题和阅读题，大模型得分率超高，堪称 “学霸本霸”，但作文存在刻板、文字冰冷、字数不达标、立意不对等问题，还常用小标题。英语整体接近完美，仅写作上用词不够精准、句式稍显单调。文综方面，国外大模型对中国知识点不 “感冒”，地理题中分析统计图和地形图是难点。

四、国际考试显身手：JEE Advanced 展多模态实力

大模型们还参加了印度理工学院的 JEE Advanced 考试，该考试每年数百万人参与，前 25 万晋级第二阶段，题目以图片形式呈现，考察多模态处理与推理泛化能力。与全印度人类考生对比，第一名 332 分，第十名 317 分，豆包与 Gemini 具备进入前 10 的实力，Gemini 在物理和化学突出，豆包数学 5 次采样全对。

五、豆包 “学霸” 养成记：三招解锁高分密码

（一）多模态融合 + 长上下文：筑牢基础

豆包大模型 1.6 系列通过三阶段预训练，第一阶段纯文本预训练，提升数据质量与知识密度；第二阶段多模态混合训练，强化文本，引入视觉数据；第三阶段长上下文训练，将最大支持长度从 32K 提升至 256K，为长文本理解和复杂题目作答奠定基础。

（二）深度思考能力：攻克推理难题

采用多阶段 RFT 与 RL 迭代优化，拓展算力和数据规模，提升复杂问题思考长度，融合 VLM 能力，赋予清晰视觉理解，引入 parallel decoding 技术，在高难度测试集成绩提升，能快速定位关键参数，推导解题路径，减少单一模态误判。

（三）AutoCoT 动态调节：拒绝 “过度思考”

针对 Long CoT 易导致的 “过度思考”，提出 “动态思考能力”，提供全思考、不思考、自适应思考三种模式，通过 RL 训练引入新奖励函数，惩罚过度思考，奖励恰当思考，实现 CoT 长度动态压缩，在不同难度任务中合理触发，保留推理优势。

【省心锐评】

尽管大模型在高考中表现亮眼，但仍有提升空间，如图像识别、作文情感表达等。你对这些大模型的 “高考” 成绩有何看法？