AI大模型参加高考全科目评测，文科总分过一本线，理科过二本线

人工智能大模型参加中国高考，可以得几分？近日，大模型开源开放评测体系“司南”（OpenCompass）对中外7个人工智能大模型进行了今年高考（新课标卷）全科目测试，结果显示：上海人工智能实验室“书生·浦语2.0系列文曲星”大模型、阿里“通义千问”大模型Qwen2-72B、OpenAI的GPT-4o排名文、理科前三名，前三名“考生”的文、理科成绩分别超过了一本、二本线（以今年高考人数最多的河南省分数线为参考）。

阅卷老师认为，尽管头部大模型在高考中发挥较好，但与优秀真人考生仍存在明显差距，在逻辑推理、知识灵活运用方面能力较弱，有待研发团队今后加强这些方面的训练和调优。

国产大模型考分超过GPT-4o

司南相关负责人介绍，组织大模型参加高考，是为了评测当前大模型的真实水平，找准问题，推动技术进步。此次高考评测采用全卷考试形式，进行全卷评分，大模型“考生”要完成除英语听力外（默认大模型获得满分30分），包括带图题在内的所有题型。

参与评测的6个大模型均为开源模型，分别是阿里巴巴开源的Qwen2-57B和Qwen2-72B、上海人工智能实验室开源的“浦语文曲星”、智谱华章开源的GLM-4-9B、零一万物开源的Yi-1.5-34B、法国企业Mistral开源的Mixtral8x22B。这些模型都在今年高考前开源，排除了泄题的可能性。

此次评测还引入了一个闭源大模型GPT-4o，因为它是国际领先的大模型，用于比对参考。为确保评分和真实高考基本一致，“司南”团队邀请有高考阅卷经验的老师打分。

评测结果显示，阿里“通义千问”大模型Qwen2-72B以546分成为“文科状元”，“浦语文曲星”以468.5分成为“理科状元”，这两个国产大模型的考分都超过了“非开源国际插班生”GPT-4o（文科531分，理科467分）。

7个大模型参加今年高考（新课标卷）的得分情况

以河南省录取批次线为参考，Qwen2-72B、“浦语文曲星”、GPT-4o的文科成绩均超过一本线，展现出大模型在语文、历史、地理、思想政治等科目上深厚的知识储备和理解能力。而在理科考试上，它们的整体表现弱于文科，反映出大模型在数理推理能力上存在短板。当然，前三名的理科成绩均超过二本分数线，体现了大模型在数理推理方面的提升潜力。

自创唐诗“骗”过阅卷老师

完成阅卷后，老师们认为，除了数理推理能力较弱，大模型还存在反思能力、空间想象能力、物理和化学实验理解能力等短板。

例如，数学考卷中一题为：

已知A（0,3）和P（3,3/2）为椭圆C:x²/a²+y²/b²=1（a>b>0）上两点

（1）求C的离心率

（2）若过P的直线l交C于另一点B,且△ABP的面积为9,求l的方程

由于在解题过程中出现计算错误，出现了不正确的求解K值方程式：

不正确的求解K值方程式

面对如此难解的方程式，大模型依然选择“硬解”，直接蒙了一个答案。而大多数人类考生如果发现计算存在问题，会反思此前若干步骤的计算是否有误、进行检查，而非“硬解”方程式。

在空间想象能力上，大模型解答一道立体几何大题的平均得分率仅为8.5%，远低于数学平均得分率35.5%。通过检查大模型的答题，评测团队发现，它们往往会作出一些完全不符合空间逻辑的推断，例如：

完全不符合空间逻辑的推断

大模型对实验设备和基本实验步骤的理解也很有限。在回答化学题“取100mmol己-2,5-二酮应选取何种仪器”时，除了GPT-4o，其他大模型都认为应使用量筒，没有考虑需求数量对仪器选取的影响。其实，如此少量的试剂应选用酸式滴定管。在回答物理题“多用电表测量电压表内阻”时，所有大模型均无法准确读出图中的电阻值，表明它们对实验设备的理解很有限。

一本正经地虚构内容，是大模型解答文科题目时会出现的问题。例如，语文考卷中一道填空题为：“唐代诗人写时事，常常托之于汉代，如‘____，____’,就是借汉喻唐，以古方今。”一个大模型的回答是“想知汉武宫香径，请看长安市醉人”。这句诗存在对仗且的确是“以古方今”，一些阅卷老师误以为唐代诗人写过这句，认为大模型答对了，但实际上它是人工智能虚构的，属于“原创”诗句。

专家指出，大模型的“幻觉”是一个亟待解决的问题，要通过“通专融合”等途径有效解决，这样才能让大模型应用于各个专业领域。

本文转载自：https://export.shobserver.com/baijiahao/html/774592.html