（北京时间记者 熊维熙报道）6月24日，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，其后依次是百度文心一言4.0的537.5分、百川智能“百小应”的521分。本次大模型高考评测与河南省考卷完全相同，河南高考录取分数线显示，文科本科一批录取分数线为521分，豆包等三款国产AI成功冲上一本线。

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。相比河南理科511分的一本线，大模型尚有较大差距。

大语言模型遇上语言考试：有望冲满分

语文、英语的语言类考试，是大模型有能力和人类考生较量的赛场，多家产品能拿到客观题目的满分或接近满分。

凭借中文语言的“主场优势”，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。除了少数开放性的阅读理解和语言文字运用问题，各家大模型主要丢分在语文写作上。

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。”

英语写作同样是大模型的一大难题。本次评测默认所有大模型的听力都获得30分满分。在阅读和语言运用两大项客观问题的考试上，GPT-4o、百小应、通义千问获得80分满分，豆包和文心一言4.0也接近满分。但是在40分的写作考试中，最高分只有29分，分别由GPT-4o和百小应获得，各家模型的英语写作主要丢分在表达空泛、缺少细节上。如果大模型在未来能够提升写作能力，获得高考满分并非难事。

文综出色，豆包获“历史”最高分

在由历史、地理、政治组成的新课标文综考卷评测中，GPT-4o获得237分的成绩，平均分达到79分，优于多数人类考生。国产大模型产品中，豆包的文综成绩最高，分数达到224.5分，其中历史科目拿到82.5分，在所有9款大模型中得分第一。

政治考试中，GPT-4o出人意料的获得了88分的最高分，百小应和豆包得分超过80。地理考卷则有大量图片问题，对一众大模型是不小的挑战，图像理解能力较强的GPT-4o得到最高分，但仅有68分。

河南高考分数段统计数据显示，GPT-4o的562分在文科考生中排名8811名，相当于人类考生的前2.45%，豆包则处于前4.27%的位置。在过去一年多时间里，国产AI技术能力获得了长足进步，目前已经接近国际顶尖大模型的水平。

数理全线不及格，AI有待提升

与人类顶尖考生相比，大模型在数学、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。尽管在语文、英语两科上能获得高分，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。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。