发布时间：2024-11-05 12:28:30 来源: sp20241105
高考不仅仅是检测国内莘莘学子的一项重要考试，在大模型“百家争鸣”的今天，也是对国内AI大模型的一次考验。
如果让大模型和国内学子同台竞技，做同一套高考真题试卷，结果会是怎样？
大模型考上文科本科，豆包获国内头筹
在极客公园最新发布的高考新课标Ⅰ卷大模型评测报告中，GPT-4o以562分排名文科总分第一。国内产品中，字节跳动旗下的豆包拔得头筹，成绩是542.5分。
据介绍，本次评测以新课标Ⅰ卷为考题，与河南省考卷完全相同。
河南省教育考试院公布的高考录取分数线，文科本科一批分数线为521。根据测试结果，这意味着，GPT-4o、豆包、文心4.0、百小应等四款AI大模型在测试中的得分冲上了“一本”线。
与文科相比，大模型的理科成绩要差很多，最高分还不到480分，多数大模型的理科总分在400分以下，数学普遍不及格，相比河南理科511分的“一本”线，大模型还需努力。
文科舒适区，英语具有压倒性优势
大模型处理自然语言方面的能力不容置疑，三款国产大模型产品获得了语文考试前三名，分别是百小应、字节豆包和腾讯元宝，得分依次为128分、125.5分和120.5分。丢分主要在语文写作上。
在匿名阅卷中，豆包获得阅卷老师的好评：文章中显出的对就业结构、伦理方面的担心，展现出豆包已经具有不错的思想深度和思辨能力。
具体看，在立住“问题”后，豆包随即用反问句自然过渡，引出三个排比段提出解决问题的方法。然后用发展的眼光分析问题，结合现实生活揭示问题产生的根源和危害的部分颇为亮点。
作为本次评测的语文作文阅卷人，北京市级骨干教师、怀柔区语文学科带头人夏老师曾多次参加全国高考语文阅卷。夏老师认为：“Al写出的文章大多有清晰完整的结构，有逻辑性，语言通顺流畅。但其理性有余，感性不足，缺乏感情色彩，自然就缺乏感染力。”
在历史和政治两科中，测试选手中有三至四家能达到80%以上的得分率。历史单科的桂冠归属豆包82.5的平均分。出乎意料的是，地理考试是文综三科中大模型表现最差的，最高分仅仅是 GPT-4o的68分。原因之一可能是地理涉及图片更多，AI识图能力有待提升。
大模型在高考英语测试中的优势更是压倒性的。一张150分满分的英语卷子，平均分达到132分，其中客观题几乎都是满分或接近满分，丢分主要在应用文写作和读后续写的作文部分，表达空泛、缺少细节上是弊端。
理科“掉链子”，AI有待提升
如上提到，大模型理科普遍不行，成绩要差很多，在数学、物理、化学等数理学科上差距极大，包括GPT-4o在内的所有大模型都无法达到及格水平。大模型的理科最好成绩还无法进入人类考生的前30%。
以数学试卷为例，9款大模型产品中，仅GPT-4o、文心一言4.0和豆包获得60分以上成绩(满分150分)，目前的大模型只能正确推理步骤相对简单的问题。
据测试机构透露，豆包等大模型能准确运用求导公式和三角函数定理，但是面对较为复杂的推导和证明问题就很难继续得分。
重点考查实验探究能力的化学和物理试卷，各模型平均分更是只有34分和39分(满分为100和110)。化学单项最高分由豆包获得，成绩为49.5分，GPT-4o仅有42分。
另外，测试显示，大模型在应对考试的灵活性上也不如人类。例如物理有一道“送分”题，人类考生根据“时间不会倒流”可以排除错误选项，轻易选对正确答案“C”，大模型则几乎全军覆没。要学会像人类一样思考和解决问题，大模型还有很长的路要走。(完) 【编辑:付子豪】