首个AI高考全卷评测结果出分，大模型“考生”表现如何？

·大部分大模型“考生”语文、英语科目表现良好，但在数学方面还有待加强。阅卷老师点评，在语文科目上，对于语言中的一些“潜台词”，大模型尚无法完全理解。在数学科目上，大模型的主观题回答相对凌乱，且过程具有迷惑性。

6月19日，首个大模型高考全卷评测结果公布。2024年全国高考结束后，大模型开源开放评测体系——司南评测体系（OpenCompass）选取了6个开源模型包括GPT-4o，针对高考全国新课标I卷“语数外”三门课程展开全卷能力测试。

评测结果显示，阿里巴巴开源的Qwen2系列MoE对话模型（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，在语、数、英三门课程中得分均超过70分。大部分模型“考生”语文、英语科目表现良好，但在数学方面还有很大的提升空间。其中，书生·浦语2.0文曲星（InternLM2-20B-WQX）取得了数学单科的最高分，超越包括GPT-4o在内的所有模型。

司南评测体系OpenCompass是由上海人工智能实验室在去年7月的世界人工智能大会上推出，目前升级为OpenCompass2.0，构造了一套中英文双语评测基准，涵盖语言与理解、常识与逻辑推理、数学计算与应用、多编程语言代码能力、智能体、创作与对话等方面。

大模型语言能力表现良好，但数学有待提高

司南评测体系团队选取了GPT-4o及在2024年高考前开源的6个模型参与本次“大模型高考”评测。评测采用全国新课标I卷，参与评测的所有开源模型，开源时间均早于高考，确保评测 “闭卷”性。同时，成绩由具有高考评卷经验的教师人工评判，更加接近真实阅卷标准。

评测模型包括：法国AI创业公司Mistral于2024年4月17日开源的对话模型（Mixtral 8x22B）、零一万物公司于2024年5月12日开源的Yi-1.5系列最大的模型（Yi-1.5-34B）、智谱AI于2024年6月4日推出的最新一代预训练模型GLM-4系列的开源版本（GLM-4-9B）、上海人工智能实验室于2024年6月4日开源的书生·浦语2.0系列文曲星大语言模型（InternLM2-20B-WQX）、阿里巴巴于2024年6月6日开源的Qwen2系列MoE对话模型（Qwen2-57B）、阿里巴巴于2024年6月6日开源的72B稠密模型（Qwen2-72B）。

上述模型的高考“语数外”三科成绩结果如下表所示：

测评的大模型语数外得分情况 来源：上海市人工智能实验室

总分前三名阿里巴巴开源的Qwen2系列MoE对话模型（Qwen2-72B）、GPT-4o及书生·浦语2.0文曲星（InternLM2-20B-WQX）对应得分率分别为72.1%、70.5%和70.4%。大部分模型在“语言”本质上的表现良好，语文平均得分为67分，英语更是达到了81分。

而数学则是所有大模型的短板，平均得分率仅为36%。得益于研究团队在数学推理上的投入，书生·浦语2.0文曲星（InternLM2-20B-WQX）取得了75分的最高分，超过所有受测模型。然而仍未达到及格水平，这表明大模型的数学能力存在较大提升空间。

阅卷老师点评：大模型数学主观题回答凌乱

参与评测的所有开源模型，权重均在2024年6月7日高考题目公布前开源，避免了“数据污染”和“刷题”风险，与真实高考严格的“闭卷考试”一致，不存在“作弊”可能。

为贴近高考评卷模式，联合团队邀请多位具有阅卷经验的高中教师对模型主观题答案评分，每份考卷至少由3位教师分别打分。本次在完成所有大模型答卷的评卷工作后，研究人员同时邀请了各科教师对大模型表现进行了整体分析，为模型能力提升策略提供参考。

阅卷教师认为，在语文科目上，模型的现代文阅读理解能力普遍较强，但是不同模型的文言文阅读理解能力差距较大。大模型作文更像问答题，虽然有针对性但缺乏修饰，几乎不存在人类考生都会使用举例论证、引用论证、名人名言和人物素材等手法。多数模型无法理解“本体”“喻体”“暗喻”等语文概念。语言中的一些“潜台词”，大模型尚无法完全理解。

在数学科目上，阅卷教师表示，大模型的主观题回答相对凌乱，而且过程具有迷惑性，甚至出现了过程错误但得到正确答案的情况。此外，大模型的公式记忆能力较强，但无法在解题过程中灵活引用。

相较于语文和数学，阅卷教师认为，在英语科目上大模型整体表现良好，但部分模型由于不适应题型，在七选五、完形填空题等题型得分率较低。大模型英语作文普遍存在因超出字数限制而扣分的情况，而人类考生多因为字数不够扣分。

联合团队认为，如同高考阅卷也存在细微差异，由于主观题类型的引入，本次评测也无法做到绝对的公平。

司南评测体系OpenCompass于2023年7月由上海人工智能实验室在世界人工智能大会上推出，目前升级为OpenCompass2.0，构造了一套中英文双语评测基准，涵盖语言与理解、常识与逻辑推理、数学计算与应用、多编程语言代码能力、智能体、创作与对话等方面。