大模型2024高考发榜豆包等三款国产ai考上文科一本线

近期，一组别具一格的考生群体成绩揭晓，它们是由多个顶尖AI大模型构成的“智慧应试联盟”，这一成果引发了关注。

在6月24日极客公园公布的针对新高考课标Ⅰ卷的大型模型评估报告中，GPT-4o以562分的优异成绩位居文科综合得分榜首。而在国内开发的产品中，字节跳动的“豆包”表现最为出色，取得了542.5分的佳绩。

接下来，成绩排名续延，百度文心一言4.0获得537.5分，紧随其后的是百川智能的“百小应”，得分521分。此次大规模预训练模型的高考评估严格遵循了河南省高考试题标准，值得注意的是，河南省公布的高考文科本科一批最低录取分数线恰好为521分，这意味着包括豆包在内的三款本土AI产品已成功跨越了一本录取分数线的门槛。

我们正处在生成式人工智能大模型技术商业应用的萌芽阶段，这一技术的影响深远且广泛。它不仅逐步渗透至个人日常工作的细枝末节、生活的方方面面，还在各行各业的生产创新和内容创造中播下变革的种子，展现出AI大模型对社会全领域的赋能潜力。

然而，我们不可忽视的是，尽管取得了显著进展，生成式人工智能技术目前仍处于其演进的萌芽时期。核心挑战依旧在于衡量AI是否已达到足够的"智慧"水平，这一要素从根本上形塑了相关技术与产品的整体体验。

因此，采用高考试题来评估人工智能大模型的能力，无疑是一种既具趣味性又直接明了的方法。

接下来，我们将详细探讨各种大型模型应对高考测试题时的具体表现。

深入分析本次高考试卷大型模型评估的具体细节，我们发现语言类科目，即语文与英语，成为了大模型与人类考生竞技的主舞台。在此领域，多个大模型产品在客观题部分展现了卓越性能，纷纷取得了满分或逼近满分的优异成绩。

得益于中文语言环境的“先天优势”，三款国内自主研发的大规模语言模型在语文能力测试中荣登三甲，它们分别是百小应、字节豆包及腾讯元宝，成绩分别为128分、125.5分和120.5分。尽管在少量需要深度解读和灵活运用语言的任务上表现略有欠缺，这些模型的主要失分点集中于作文创作环节。

身为本次评估的中文写作评审专家，夏老师，身兼北京市杰出教师及怀柔区语文教育领域的领军人物，拥有丰富的经验，多次参与全国性高考中文科目的阅卷工作。

夏老师指出，人工智能所撰写的文章通常展现出清晰、条理化的结构与严密的逻辑性，语言表达流畅自如。然而，这些文章往往偏向理智分析，缺少情感的温度和色彩，因而难以触动人心，感染力方面略显不足。

在这过程中，特别值得注意的是，豆包大模型所撰写的作文在实施匿名评审机制时，赢得了阅卷教师的高度赞誉。

文中透露的对于就业结构与伦理问题的忧虑，彰显了豆包深厚的思想底蕴及敏锐的思辨力。在稳固确立探讨的“问题”基石后，豆包巧妙运用反问句式，实现了逻辑的平滑过渡，进而以三段并列排比的形式，策略性地抛出了维持“问题意识”的解决方案。尤为值得注意的是，豆包采用动态发展的视角剖析问题，并能紧密联系社会现实，深刻揭露问题的本质及潜在影响，这一做法堪称文章的精妙之处。全文结构设计周密，逻辑层次分明，语言表达流畅自如，展现了作者全面而深入的见解。

英语书面表达能力对大型语言模型而言依然是一个重大挑战。在本次评估中，我们假设所有大型模型在听力测试方面均已达到卓越水平，给予统一的满分30分。至于阅读理解与语言应用这两项侧重客观题目的评估板块，GPT-4o、百小应及通义千问展现出色性能，均斩获了满分80分的佳绩，而豆包和文心一言4.0版本的表现也极为接近完美分数，紧随其后。

然而，在满分40分的写作测评中，最高得分止步于29分，这一成绩由GPT-4o及百小应并列夺得。这些模型的英文写作普遍暴露出内容空洞、细节匮乏的问题，成为了失分的关键。展望未来，若大型语言模型能有效提升其文字表达的丰富度与细腻程度，那么赢得高考写作的满分将不再是遥不可及的目标。

在一项综合测评中，涵盖了历史、地理、及政治学科，GPT-4o 展现了卓越性能，取得了237分的高分，平均分高达79分，这一成绩超越了众多人类考生的表现。特别值得注意的是，在国内自主研发的大规模语言模型中，"豆包"的文科综合评测表现最为出色，总分为224.5分，其在历史单科上的得分更是达到了82.5分，此成绩在参与评估的9款顶级模型中位居首位。

在政治科目测试中，GPT-4o 引起了众人瞩目，以令人意想不到的88分夺取了桂冠，而百小应与豆包的表现同样亮眼，双双突破80分大关。

转至地理考试领域，该科目试卷呈现出显著的视觉倾向，大量融入图像题型，对众多大型模型构成了严峻考验。在此背景下，拥有卓越图像解析力的GPT-4o虽再次拔得头筹，其得分却反映出试题难度，仅收获68分。

河南省高考成绩分段统计资料揭示，GPT-4o以562分的成绩在文科领域位居第8811名，这一成就代表其超越了人类考生群体中的97.55%，彰显出显著的竞争力。紧随其后，国内AI系统中的佼佼者——豆包大模型，取得了542.5分的文科佳绩，该分数超越文科一本分数线20分，占据了全体考生前4.27%的优秀行列，展示了非凡的智能学习能力。

经过这一年多的时间，中国在AI技术领域取得了显著的发展，逼近了全球领先的大模型技术水平，彰显了国产AI能力的迅速成长与提升。

尽管大模型如GPT-4o在语言类科目，如语文和英语中展现出了高分获取能力，但它们在数学、物理、化学等核心理科领域与顶尖人类考生之间存在显著鸿沟，所有大模型的表现均未能跨过及格线门槛。即便是理科方面的最优表现，也无法使大模型挤入人类考生排名的前30%，凸显了其在数理科学领域的局限性。

以数学测试卷作为考察对象，在九种顶尖的AI模型产品中，仅有GPT-4o、文心一言4.0以及豆包三者得分超越了60分门槛（满分为150分）。这表明，当前的大规模AI模型在处理问题时，主要局限于那些逻辑步骤较为直接和简单的题目上。

据测评机构内部分享，豆包等大型模型在应用求导规则与三角函数理论方面表现出色，然而，当遇到更深层次的推理验证及证明挑战时，它们往往难以维持其解题优势，最终仅能做出有限回应。

在着重评估实验探究能力的化学与物理考试中，学生的平均成绩显得尤为低迷，化学卷的平均分为34分（满分100分），而物理卷则为39分（满分110分）。值得注意的是，化学科目中，豆包同学以49.5分的佳绩夺得了单项最高分，相比之下，GPT-4o的成绩稍逊一筹，录得42分。

在应对考试的挑战时，大型模型展现出了较人类考生更有限的灵活性。以一道物理学的简单送分为例，人类能够迅速运用基本原理——“时间的不可逆性”——来排除错误选项，轻而易举地锁定正确答案为“C”。相比之下，大型模型在这方面则显得力有不逮，绝大多数情况下未能做出正确选择，表现出了显著的局限性。

要实现模拟人类思维模式并有效解决复杂问题的目标，大型模型仍面临着漫长的探索和发展之旅。

然而，根据麦肯锡的一项深度研究报告指出，大型模型在价值创造方面展现出巨大的潜力，预计到2030年，它们将为全球经济带来高达49万亿元人民币的额外增长。

当前阶段，大模型正逐步在各行各业的AI转型与日常工作的推进中，发挥其从技术革新到商业化应用的桥梁作用，为我们的生活和工作注入强劲的能量。

尽管当前生成式人工智能技术仍面临诸多局限，其发展道路漫长且充满挑战，但展望未来，在诸如豆包大模型引领的众多生成式AI技术创新与应用的共同推动下，我们有理由相信，即便是应对高考这类复杂试题，也将不再是这些先进系统的障碍。它们将在更广阔的应用领域中，展现出更加出色的能力，提交近乎完美的答案，开启人工智能的新篇章。