2026,AI会做原创高中题了吗?我测了三款主流AI,豆包赢麻了

本次登场的嘉宾有：豆包（专家）、千问（3.5思考）、ChatGPT（5.4thinking）。它们分别代表了当下几种有代表性的大模型：有国内c端用户霸主，有企业级ai服务专家，还有至今仍被很多人视作标杆的闭源王者。（开源DeppseekV4仍不开放识图）

但对于学生来说，问题其实没有那么复杂。他们并不关心参数、架构，也不关心谁在发布会上更会讲故事，指标登了几个顶。真正重要的只有一件事：这些AI，哪个更适合拿来实战。

这也是这次测试想回答的问题。

不过，我们不能直接拿高考题看谁做得正确率高，因为厂商大概率会对这类题做针对性处理，测出来的就不再是模型真实的现场能力，而是厂商有没有提前为这类题做好准备。

所以本次测试，选取题目时避开了以往的知名试卷，转而去选了一些更新的模考题和原创题，想看看这些模型离开题库答案解析之后，表现会发生什么变化。

一共选了六套题，分别是4月14号的高三佛山二模数物选填，4月济南二模，4月初上海老师原创数学试题，2月底广东top4联考，4月初北京名师原创数学试题。至于为什么不包括文科类和大题，因为这还只是这个专题的第一篇文章，之后会针对文科类和大题，对思路展开质量，回答质量，引导水平等因素展开测评，敬请期待。

话不多说，测评开始。

第一战面对的是上周的佛山二模数学和物理卷，挑战结果如图。

在测评开始之前，其实笔者在心里已经给它们做了个大概排名，大概是GPT>千问>豆包，因为按照权威官方测试的榜单，千问经常是国产AI的领头羊，长期刷榜，而豆包比较下沉，可万万没想到，首次的测试中豆包表现最佳，而千问表现最不理想。

为什么屡次刷榜的千问会掉到后面，而豆包又为什么能一下子冲到前面，是单纯的模型能力波动导致的吗？

抱着这个疑问，笔者继续进行了测试，然而结果却大致类似，这种差异不再只是偶然波动，开始呈现出一定的稳定性，笔者慢慢冒出一个猜想：这背后是不是不代表模型能力本身的问题，而是和几款产品各自服务的用户、竞争的方向有关：

千问这些年更重的一直是企业服务能力，很多资源、优化方向，都更偏向To B场景：强调可接入性、业务适配、行业方案、企业级落地。而豆包的路径则明显更偏大众用户，面对的是更高频、更直接、也更残酷的C端竞争。所以，在这种前提下，厂家对“用户侧体验”的投入重点，可能天然就会不会一样。换句话来讲，To C产品要的是留存、活跃和体感，用户问一句，模型最好立刻给出一个像样、完整、还最好别太容易出错的答案；而To B产品很多时候先要解决的，反而是交付、稳定、接口、成本和企业侧的复杂需求，两者本身的产品定位可能就不一样。

因此，笔者很难不产生一个结论：在面向普通用户的算力分配上，千问也许没有豆包那样“舍得”，它可能在成本、响应和能力之间做了更保守的平衡。

          千问和豆包官网宣传页面中的“客户”明显指代不同

当然，需要强调一下，这些都是笔者的猜测，没有肯定的证据，而且模型能力随时会因为厂家的产品策略而改变。

后面的测试继续。

做着做着，新的异常冒了出来。

在头部四校的联考测试题的第一题，豆包和千问几乎都是秒级给出了同一个答案B，语气相当笃定；而另一边，ChatGPT不仅思考了足足一分钟，最后还认为答案错了。于是，笔者重新解了一遍题，解出来发现，ChatGPT的确是对的，是答案错了。为了把这件事再确认一遍，笔者甚至去找了985好友再次验证，最后得到的结论也一样：

              这道题答案本身真的错了。

接下来，我又在第九题的测试过程中，第一次发现千问竟然直接能够匹配上该题原题的讲解视频，且打开时并没有显示外部引用来源，疑似直接消化了其他平台的视频，再化为自己的输出视频。

到这里，再回头看豆包和千问在第一题上的一致表现，感觉它们已经不只是“做错了一题”，而是太像直接接住了一个答案，即从网上命中了一个结果，再把它输出成了回答。

笔者这时候冒出一个更偏产品层面的想法。

回顾今年春节，大模型用户争夺战异常激烈，过年期间，各大厂甚至发钱抢用户。而对大多数普通用户来说，最先感知模型水平的第一印象从来不是模型推理深度，而是两个更直接的东西：回得快不快，准确率高不高。所以，厂商为了留住用户，不得已被夹在这两个目标之间：既不能真的全力释放推理能力（避免高峰期卡顿，影响用户第一印象），又不能让用户明显感觉到“它不行”。最后最容易出现的，就是一种很典型的折中——在普通场景里尽量把答案做得快、做得像对的，哪怕有时候这背后靠的不是完整推理，而是更高效的答案匹配和结果组织。

而现在距离春节仅仅过去了两个多月，厂商的算力释放策略有没有改，我们不得而知。

测完了6套卷后，从测试结果可以看出，至少在正确率层面，几款AI的差距已经比较明显和稳定了。

豆包的表现明显强于千问，ChatGPT则略微领先于豆包，但领先的幅度不算太多。因此，本文可以大胆下一个结论：在日常生活以及学习中，豆包已经不是那个可以被轻易低估的“娱乐app”了。再加上Kimi需要付费，Deepseek没有识图能力，ChatGPT需要魔法，元宝的AI研发团队才刚步入正轨一年，文心一言赶了个早集却近乎原地踏步，最后胜出的，竟然还是我们的“国民级”AI豆包。

这篇文章写到这里，其实还只完成了一半。本篇更偏向是在看几款AI“能不能把答案做出来”；至于它们给出的思路清不清楚，解析质量和引导水平到底怎么样，这些更接近“适不适合学习”的部分，但由于这些写完会导致文章过长，所以笔者将把它们分开来讲。

下一篇会继续沿着这个方向，专门测一测AI解析题目的能力。欢迎点赞，留言，订阅，我们下篇见。