作者：陆涵之
去年，“9.11和9.9谁大？”这一简单的数学题曾难倒了多家大模型。到了今年，大模型的理科能力提升如何？
今日网易有道发布了一则视频，6位清华姚班学生与AI比《环球体育app》赛做高考压轴题。清华姚班为图灵奖得主姚期智院士创办，汇聚了数学、物理、信息学竞赛金牌得主。
对于AI的回答，一位姚班学生认为AI做题思路与其一致，步骤更加清晰，相较于传统的答案更有利于学生理解解题思路。
可以对比的是，去年高考结束后，有机构让包括GPT-4o、豆包、文心4.0在内的9家大模型尝试河南的高考卷，并以河南的分数线评判，最终有4家大模型在文科高考中达到河南的一本线，但没有大模型的理科分数达到河南省一本线。
有道相关负责人对记者表示，今年以来AI进展迅速，尤其是DeepSeek-R1带来了推理模型大爆发，而大模型推理能力和交互能力在教育场景的适配性非常高，能够逐步解决个性化教学和答疑的需求，而且提供的指导和答疑质量越来越高，所以选择与高考顶尖学霸进行同题测试，用一种直接明了的方式向大众展示AI大模型能力的提升。
在题型选择上，主要基于难度和认知度的考量，上述负责人表示，“因为大家对高考的难度都是有概念的，尤其是这种高难度的理科压轴题，容易引起关注，也能直观展示效果。”
上述人士透露，前段时间还做了北京最新高考二模(题库数据里没有的新题)的挑战。AI答题后由老师进行批改，分数为697分(总分750分)，达到“清北”水平。“毕竟去年AI集体做24年高考题的时候理科几乎全军覆灭。”
过去一年时间，不少大模型公司将数学能力作为大模型的能力体现。OpenAI在介绍OpenAI o3-mini时表示，OpenAI o3‑mini 的高推理能力在 FrontierMath 上的表现优于其前辈。在 FrontierMath 上，当被要求使用 Python 工具时，具有高推理能力的 o3‑mini 首次尝试即可解决超过 32% 的问题，其中包括超过 28% 的挑战性 (T3) 问题。FrontierMath是由Epoch AI联合60余位全世界的数学家共同推出了全新的数学基准，其原创的数学问题对于专业数学家而言仍需数小时甚至数日解决。不过，OpenAI公布的成绩后续曾遭到质疑。
此前谷歌宣布推出了基于强化学习的数学推理系统 AlphaProof，以及几何求解系统的改进版 AlphaGeometry 2。谷歌表示这两款系统共同解决了2024年国际数学奥林匹克(IMO) 六道题目中的四道，首次达到了与银牌得主相当的水平。
今年4月29日，阿里巴巴发布新一代通义千问模型Qwen3。据了解，在奥数水平的AIME25测评中，千问3斩获81.5分，刷新开源纪录。
