今年高考，我让12个顶级AI一起考了语文和数学，结果有点意外。
数字生命卡兹克约 8 分钟一年一度的高考季又到了。
从上上周开始，就有很多朋友来问我，今年高考还测不测大模型考试了。
测，肯定测。
国外基本就是大家熟悉的御三家，Claude Opus 4.8、GPT-5.5、Gemini 3.1 Pro。
国内这边，我也尽量选了各家现在最能打的。
千问3.7 max、文心Ernie 5.1、星火Spark X2、智谱GLM5.1、Kimi k2.6、MiniMax M3、DeepSeek V4 Pro、小米MiMo v2.5 Pro、混元3这些都有。
数学则是完整的真题试卷，就比较简单了。
数学本来我们打算是分成多模态和纯文本赛道的，但是真题一出来之后，发现只有一道题，也就是立体几何那道题带图形。但题干其实就完全包含了这个图形的所有信息，没有必要，所以就改成了全部都通过LaTeX格式输入。
虽然PDF转LaTeX格式这一步是AI做的，但是让它转了之后，我也同样写了一个LaTeX编译器的脚本，它会在左边放上原本的题目，右边是LaTeX数据编译后的最终题目，方便我和老师们进行核对，在准确性上，我们还是花了一些力气的。
然后我们也开发了一个自己的考试脚本，我们只需要把题目丢进去，脚本就会自动调 API，自动让模型作答，自动把客观题判掉，主观题再送到我搭的在线阅卷平台里，让真人老师盲评。
考试的Prompt按照下面的设置给模型。
客观题只是单纯限制它的格式输出，方便我的脚本对客观题进行打分，不做任何的引导。
主观题就直接把裸题给模型丢过去让他作答。
以及在数学的填空题上面，也是让它根据数值打分，不是根据格式打分。因为填空题容易出现，在分数或者说有根号的情况下，会有不同的写法，同一个数值会有不同的写法。所以这次在脚本中也是有格外注意这一点。
反正作答上我们尽量确保要公平、公平再公平，客观、客观再客观。
老师使用自己的名字，登进去之后，看到的每份卷子上面只有一个代号。卷ABCD巴拉巴拉。
这样的话，老师并不知道这道卷子是哪一个模型做的答，也会避免一些前置的刻板印象带来一些阅卷上的影响。
老师可以随意选择一套卷子开始阅卷，然后里面的打分界面是这样的。
直接在里面逐题批改。
这里面有几个让我挺意外的地方。
先看总分，第一名MiMo v2.5 Pro，256.3分。第二名Kimi k2.6，256.29分。
差了0.01分。
MiMo比Kimi语文少了1分，Kimi数学比MiMo少了1分。。。
要知道我们测评的语文卷子只有一道客观选择题，其他全是主观题，再加上有作文的存在，换算到实际评分上，可能就是某位语文老师在某道主观题上多给了1分的区别。
往下看从第三名到第九名，Claude Opus 4.8，一直到GLM 5.1和Gemini 3.1 Pro并列的252.78，7个模型之间的差距仅仅在2分。
可以说，至少在这两套高考卷子上的表现，前面这9个顶级的AI大模型模型几乎真的都拉不开差距了，分差极小。
看完了总分，再来看看单科的成绩。
你会发现，我们的语文状元在3位老师盲测中，由GLM5.1和Gemini 3.1 Pro共同摘夺桂冠，但是在数学上又有点偏科，而且几乎都是兄弟肩并肩，我的脑子里已经出现了中学班上某一个同学的样子了。。。
反过来的例子也有，DeepSeek V4 Pro，和MiMo、ERNIE 5.1三家并列数学最高分，但语文又奇低。。。
坦率的讲，这其实不太符合我对DeepSeek强世界知识的印象。
我把语文的评分单独拎出来看了下，这里注意一下，因为语文真题目前全部的还没出来，所以现在用的是部分的题集合成的101分版本，最后折算成150分制的，所以下面你看到的总分其实都是101分制的。
他们的评语其实也都非常的有意思。
所以他们一改完卷，我也去认真看了看他们所有的评语。
其实三位老师从给分上看，是能看出来他们有各自的偏好，但是在他们的评语有一个共同点。
他们很在意高考作文的可评分结构。
评语里会高频出现文体不清，文章结构不够清晰，观点不够清晰明确，论证不充分，时代关联不足等等评语。
比如这一篇所有模型中得分最高的，由GLM 5.1写的作文，就有两位老师都提出了文章结构不够清晰的毛病。
作文原文我也放在这里了，大家可以在评论区评一评。
你会发现几乎所有的模型，其实没啥大的分差。
我也从数学老师那里得到了非常积极的反馈，刚改完前面几个大题，他就在很兴奋的跟我说，发现正确率挺高的，基本都是满分。
但是方法会不一样。
主要是在几何上，这个就很有意思了。
还有一个有意思的就是，我在让Opus 4.8跑数学最后一道大题的时候，他莫名其妙的卡死了很多很多轮。。。
不太有意思的就是，我忘记它一直在重试，导致我OpenRouter上为数不多的余额全给耗光了。。。
忽然又想起，2023年，我第一次拿高考题去测AI。
当时是让ChatGPT去写高考作文。
那会儿GPT-4还是最能打的，国产模型甚至都还没有几个。
2024年，国产也开始卷起来了，但还是有很多哭笑不得的翻车。去年2025那次测完，有几个模型的数学水平已经够上一本线了。
今年是2026。
四年了。
也算是见证了那好多好多个模型的浮沉。
我们自己也在变，23年的时候，只会写个作文，去年测试，还是人工复制粘贴到十几个大模型的官网里面去测试，不断的roll。
今年，写批量脚本，写LaTeX转译，请高考阅卷老师们助阵，又为他们徒手开发了阅卷网站。
我当然也可以随手测一下整个活，但是想了想，这几年，在这个选题上，我觉得还是要尽可能的保证客观和公平。
因为，这是高考。
这两个字，在中国，承载的东西太多也太厚重了。
做阅卷网站的时候，我一直在纠结用什么主意象，最后选了凤凰花。
六月的凤凰花开得正盛，每年都准时赶在这个节点上，送走一届又一届的人。
最后。
我想用最近一段对我非常有感触的话来结尾，它来自《燕云十六声》最近更新的青州地图的最后的任务，当一众学子即将毕业之时，文津馆文元林险生对大家说：
“你们，自天南地北负笈而来，今日散去，又是去往天南地北，此后山长水远，很多人将不复相见了。
此去，必有风霜凛冽之时，愿诸君，乾坤既大，草木尤青，本心择路，笃志前行。
各位，一路顺风。”
以上，既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧，如果想第一时间收到推送，也可以给我个星标⭐～谢谢你看我的文章，我们，下次再见。
>/ 作者：卡兹克、tashi
>/ 投稿或爆料，请联系邮箱：[email protected]