七款AI大模型“高考成绩” 前三名文科过一本

IT之家7月18日消息，上海人工智能实验室17日公布了针对7个AI大模型的高考全科目测试结果，据大模型开源开放评测体系“司南”相关负责人介绍，“当前大模型仍存在很大的局限性。组织AI大模型‘参加高考’，目的是评测当前大模型的真实水平，找准问题，持续推进技术进步。”

测试结果显示，书生・浦语2.0系列文曲星大模型（浦语文曲星）、阿里通义千问大模型Qwen2-72B以及GPT-4o再次包揽文、理科前三甲；前三名 AI“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的分数线为参考）。

从官方提供的图片来看，此次参与“高考”的大模型还包括来自零一万物的 Yi-1.5-34B、来自通义千问的 Qwen2-57B、来自智谱的GLM-4-9B 和法国 AI 初创公司Mistral旗下的Mixtral 8×22B。

据介绍，此次评测具备如下特征：

全卷考试：进行全卷评分，而不只针对单一题型，且包括带图的高考题

考前开源：评测覆盖的开源模型均为今年高考前开源的模型，排除泄题的可能性

老师打分：邀请有高考阅卷经验的老师打分，确保评分和高考尽量一致

完全公开：生成答案的代码、模型答卷、评分结果完全开源

在增加综合科目的基础上，Qwen2-72B、GPT-4o、浦语文曲星包揽文、理科前三甲。阿里通义千问大模型Qwen2-72B以546分的成绩荣获AI高考“文科状元”，浦语文曲星则以 468.5分成为理科第一名，分别超过了“非开源国际插班生”GPT-4o（文科531分，理科467分）。同为国外机构发布的Mixtral 8x22B平均得分最少，弱于国内大模型的高考表现。

阅卷老师们一致认为，大模型与真人考生仍存在差距，虽然对于基础知识的掌握表现出色，但在逻辑推理和知识灵活应用方面，大模型仍然差强人意。具体而言，在作答主观题时，大模型往往无法完整理解题干，不明白代词指向，结果导致答非所问；解答数学题时，解题过程机械且逻辑性差，对于几何题，常出现与空间逻辑相违背的推断；对物理、化学实验理解肤浅，无法准确识别并运用实验器材。

此外，大模型也会伪造虚构内容，编造看似合理但实际不存在的诗句，或在存在明显计算错误的情况下之后不反思，“硬着头皮蒙”一个答案，均给阅卷老师带来了困扰。

根据上海人工智能实验室上个月公布的AI高考全卷结果，Qwen2-72B、GPT-4o及书生・浦语2.0文曲星（InternLM2-20B-WQX）成为本次大模型高考的前三甲，得分率均超过70%。大部分模型“考生”语文、英语科目表现良好，但数学方面仍有很大提升空间。