猴哥的第 163 期分享，欢迎追看
数学，向来是检验 AI 实力的“硬核考场 ”——公式推导、逻辑链条、抽象思维。。。
3月26号，ETH 团队的研究直接击碎了「LLM会做数学题」的神话！
在2025年美国数学奥林匹克竞赛中，所有大模型的得分，均低于5%！
问题来了：面对中文语料，LLM 做数学题，到底哪家强？
本文对国内外 7 款大模型开展实测，来一场 “数学巅峰对决”。
参赛题目 ：阿里全球数学竞赛 + 中国奥赛真题。
参战选手 ：
- 国产：
DeepSeek R1、混元 T1、通义 QwQ-32B、YiXin-Distill-Qwen-72B - 国际：
Grok 3 beta、Gemini 2.0 Flash Thinking、o3-mini
其中， 通义 QwQ-32B 和 YiXin-Distill-Qwen-72B 笔者之前都有分享过：
比肩满血DS，阿里开源 QwQ-32B 本地部署，Ollma/vLLM 实测对比，消费级显卡可跑
最新开源推理模型 YiXin-Distill-Qwen-72B 开箱实测
- 先上结论
本次测评题目主要取自 阿里巴巴全球数学竞赛和 中国数学奥林匹克竞赛。
共选择 10 道难度较高竞赛真题，有 13 个小问。
评估指标为：正确得 1 分，错误不得分，半对得 0.5 分。
各个模型的正确率为：
详细得分情况如下：
接下来，一起看看，下面这 10 道题你能搞定多少？
- 实测详情
Round 1：怎么找零
爷爷有 60 元钱，去超市买了 20 元蔬菜，收银员可能怎么给爷爷找零？
o3-mini
Grok 3
DeepSeek R1
混元 T1
Gemini 2.0 Flash Thinking
YiXin-Distill-Qwen-72B
这道题目相对简单，除了 混元 T1，其他模型都能搞定~
Round 2：步行距离
小明和小华每天走路去上学。小明每分钟走 48 米 ，小华每分钟走 55 米，小华从家到学校所用的时间比小明多 4 分钟 。小华家离学校有多远？ 下面哪种方法是错误的 ，说说你的理由。
方法 1:55x4=220（米） 384+220=604（米）
方法 2:384/48=8（分） 55x（8+4）=660（米）
DeepSeek R1
通义 QwQ
YiXin-Distill-Qwen-72B
上点难度，推理过程较长，但基本都能答对。
Round 3：看不见的塔
在某市有6座塔，分别位于点A、B、C、D、E、F。几位同学组成一个旅游小组去该市自由行动。经过一段时间后，每位同学都发现，自己只能看到位于A、B、C、D处的4座塔，而看不到位于E和F处的塔。已知：同学们的位置和塔的位置均视为同一平面上的点，且这些点彼此不重合。A、B、C、D、E、F中任意3点不共线。看不到塔的唯一可能就是视线被其他塔所阻挡。例如，如果某位同学所在的位置P和A、B共线，且A在线段PB上，那么该同学就看不到位于B处的塔。
请问：这个旅游小组最多可能有多少名同学？A. 3 B. 4 C. 6 D. 12
o3-mini
DeepSeek R1
YiXin-Distill-Qwen-72B
上难度了，除了 o3-mini 和 YiXin-Distill-Qwen-72B，其它模型全部干倒！
Round 4：虎虎生威
春节期间，某牛奶公司推出了一项新春盲盒活动：每盒牛奶附赠一个“红包”，其中包含“虎”“生”“威”三种图案之一。集齐两个“虎”、一个“生”和一个“威”即可拼成“虎虎生威”全家福。活动一经推出，便成为网红爆款，吸引了许多人参与。已知条件如下：红包上的图案是独立随机分布的，且无法从外表区分。“虎”“生”“威”三种图案出现的概率均为1/3。 问：为了集齐一整套“虎虎生威”全家福，平均需要购买多少盒牛奶？
DeepSeek R1
混元 T1
YiXin-Distill-Qwen-72B
Round 5：战机游戏
o3-mini：成功搞定
YiXin-Distill-Qwen-72B：做对一半
这一轮，只有一半选手能够完全搞定，对模型的要求越来越高了！
Round 6：寻找最小非因子
除了选择题，我们还得测测更有挑战性的证明题！
o3-mini
YiXin-Distill-Qwen-72B
这一轮，国产大模型中，只有 YiXin-Distill-Qwen-72B成功搞定！
Round 7：单位圆上的映射
o3-mini
YiXin-Distill-Qwen-72B
一半选手答对~
Round 8：最大三角形
空间中有 1989 个点，任意三点不共线。将这些点分成 30 组，每组点数各不相同。从任意三个不同的组中各取一点作为顶点，可以构成一个三角形。 问： 如何分配每组的点数，使得构成的三角形个数最大？
o3-mini
YiXin-Distill-Qwen-72B
Round 9：因子链
o3-mini：答对一半
YiXin-Distill-Qwen-72B：完全正确
Round 10：等面积点
最后，来一道几何题：
o3-mini
DeepSeek R1
YiXin-Distill-Qwen-72B
- 观察和思考
以上，通过对多款大模型的数学能力测试，基本可以得出几个结论：
3.1. 模型基线提升很快
推理大模型在涉及多步推理的几何 、概率嵌套问题或开放性复杂应用题时， 表现都比之前有了大幅提升 ，进一步证明了“慢思考 ”的强大之处 。
3.2. 解题风格差异显著
o3-mini/Grok 3/通义 QwQ：解题步骤相对简洁，推理过程不啰嗦；
DeepSeek R1/混元 T1/YiXin：解题步骤较长，且推理过程中有很多反思，略显啰嗦；
Gemini 2.0 Flash Thinking：解题步骤最长，且推理过程全是英文，显然训练中文语料不足。
3.3. 纠错能力强
部分错误并非源于模型数学能力不足，而是对题意理解偏差或符号误读。测试时发现，尽管问题中出现符号局部错误，也不影响模型对题意的理解。
3.4. 未来方向：专业化与工具整合
尽管当前模型可以处理复杂数学问题，但准确率仍有待提升。
未来可通过以下路径让数学能力更上一层楼：
- 插件扩展 ：接入计算引擎（如 Wolfram Alpha ）弥补符号运算短板；
- 垂直训练 ：针对数理逻辑构建专属微调数据集 ，强化推理因果链；
- 交互式修正 ：允许用户实时指出错误步骤，动态调整解题路径 。
3.5. 给用户的建议
学生群体 ：可借助大模型快速验证基础题答案，但需警惕其对复杂问题的 自信式错误；
教育工作者 ：设计更 反套路题目以检验 AI 辅助下的真实学习效果；
开发者 ：优化提示词设计，明确解题边界，避免模型 过度脑补。
写在最后
不得不说，大模型的数学能力已经从玩具级 迈入工具级 ，并逐渐走向可信赖的研究级 。
未来的竞争或许聚焦于：谁能更精准地平衡思维模拟 与事实严谨性 ，敬请期待！
注：本文评测的 Yixin-Distill-Qwen-72B 现已开源👇
标准版：https://huggingface.co/YiXin-AILab/YiXin-Distill-Qwen-72B
量化版：https://huggingface.co/YiXin-AILab/YiXin-Distill-Qwen-72B-AWQ
本地部署：72B 标准版需「8 张 4090 显卡」，「AWQ 量化版」仅需 2 张卡即可。
全文完，如果对你有帮助，欢迎点赞收藏 备用。
👇 关注猴哥，快速入门AI工具
# AI 工具：
盘点9家免费且靠谱的AI大模型 API，统一封装，任性调用！
免费GPU算力本地跑DeepSeek R1，无惧官方服务繁忙！
# AI应用** ：**
弃坑 Coze，我把 Dify 接入了个人微信，AI小助理太强了
我把「FLUX」接入了「小爱」，微信直接出图，告别一切绘画软件！