高考结束，大模型做高考数学题的完整评测结果也如约而至，其实让大模型去做高考试题已

高考结束，大模型做高考数学题的完整评测结果也如约而至，其实让大模型去做高考试题已经成了AI媒体的传统艺能，比起很多带有明显猴戏成分的评测项目，「做试卷」的参考价值的确还是要强不少的。 在去年上海人工智能实验室的评测里，语数英三科都有，能参与测评的样本不算多，总分排名前三的是Qwen2、GPT 4o和上海人工智能实验室自家的开源大模型，他们的共性是在数学这门学科上的表现都很糟糕，最高的也只有75分。 然而今年的测评结果，也直接印证了大模型能力在过去一年里进步究竟有多神速，总体看下来，我就感觉到快。 先说结果，按机器之心的测评来看，Gemini以145分——几乎是去年的一倍——位列第一，豆包、DeepSeek仅以1分之差并列第二，前三名的分数非常接近。 怎么说呢，这个排名既有情理之中，也有意料之外。 情理之中的部分，是Gemini 2.5 pro的表现确实很强，不光是机器之心这边，在卡兹克等多个媒体评测里也很能打，这1分之差，也是依靠着带有主观性的解答题拉开的。 再就是DeepSeek的成绩也相当稳定，虽然平时我们说平时使用它的幻觉率很高，但真到了考验大模型能力的实战上，别人一点也不含糊。 然后就是意料之外的部分了，GPT o3成为了唯一一个在客观题上丢分的大模型，在一众满分里显得十分扎眼，不过这可能也是IP受限的缘故，没办法发挥出它的真正水准。 最重要的来了，人畜无害的豆包成功反掉了所有人的直觉，在机器之心和卡兹克两家不同的测评里都拿到了并列第二的成绩，且跟头名Gemini的差距小到几乎可以忽略不计。 机器之心这边甚至还做了两次测试，一次调用了API接口，另一次直接用产品，结果豆包在两次测试里表现差别很小，作为参考，混元等大模型前后差距很明显，也就是说平日里调用API和直接用产品之间，体感上可能是完全不同的。 业界对字节AI业务的印象，通常还停留在它善于思考「怎么用」这个命题上，坐拥一个国民级的内容平台，豆包也很自然地成为了国内最接近All in one形态的AI产品，只是对于它的能力放在大模型多如繁星的国内，究竟处于一个怎样的地位，除了测评里那些冷冰冰的数据外，恐怕多数人都还是茫然的。 更何况豆包这次给人带来的惊喜不止是成绩，两次测评结果几乎无异，也意味着豆包数千万日活用户都在「所见即所得」，这一点很重要，尤其是在所谓AI杀手级应用诞生前夕，培养C端用户对AI大模型能力的认知，是一个断然不能缺失的环节。 哪怕大模型的迭代是一场无止境的无限游戏，所有领先和落后都可以是暂时性的，那豆包眼下的测试结果也足够有鼓舞价值，比如我一直说DeepSeek最出色的贡献，其实是把大模型推到了一个人尽皆知的通用商品定位上，那豆包便证明了，国内AI公司跳脱出硬蹭DeepSeek那套叙事后，也能把大模型做得风生水起，甚至把模型能力打到第一梯队上去。 还是那句话，对竞争对手最大的尊重不是「拿来主义」，而是创造一个良性公平的竞争环境，否则就会陷入跳蚤效应的怪圈里，通过给自己不断设限的心理暗示，扼杀掉所有创造的可能性。 更何况关于AI的竞争才刚刚开始，所有成王败寇的结果都言之尚早，在正式交卷前，专注眼下才是最重要的事情。