AI參加高考，為何偏科嚴(yán)重

(資料圖)

文綜評測中，GPT-4o獲237分，優(yōu)于多數(shù)人類考生。國產(chǎn)大模型中，豆包文綜成績最高，得分224.5分，其中歷史達(dá)到82.5分，在所有9款大模型中排第一。地理考卷有大量圖片考題，圖像理解能力較強(qiáng)的GPT-4o得到最高分，但僅有68分。

語文、英語評測中，多家大模型在客觀題上拿滿分。但寫作文是弱項。多次參加全國高考語文閱卷的北京市級骨干教師、懷柔區(qū)語文學(xué)科帶頭人夏老師是本次評測的作文閱卷人。她認(rèn)為，“AI作文有清晰完整的結(jié)構(gòu)，有邏輯性，語言通順流暢，但缺乏感情和感染力”。同理，在40分的英語寫作考試中，大模型的最高分只有29分，主要丟分在表達(dá)空泛、缺少細(xì)節(jié)上。

值得注意的是，大模型高考呈現(xiàn)出嚴(yán)重的偏科現(xiàn)象：數(shù)學(xué)、物理、化學(xué)等數(shù)理學(xué)科全線不及格，總分最高分不到480。而河南理科一本線是511分。最頂尖的大模型無法進(jìn)入理科考生的前30%。

數(shù)學(xué)評測中，僅GPT-4o、文心一言4.0和豆包獲得60分以上成績（滿分150分）。大模型能準(zhǔn)確運用求導(dǎo)公式和三角函數(shù)定理，但面對較為復(fù)雜的推導(dǎo)和證明問題就很難得分。物理有一道送分的選擇題，人類考生根據(jù)“時間不會倒流”可以輕易選對答案，大模型則全軍覆沒。

“目前的大語言模型本質(zhì)上是文字接龍，基于海量資料，預(yù)測下一個最可能出現(xiàn)的詞句。通過不斷預(yù)測，生成連貫和完整的文本。應(yīng)對文科考試，大模型的用詞不準(zhǔn)或用了近義詞，不太影響評分。但理科考試考驗推理和計算，比如一道題有五步推理，大模型走偏一步，答案就全錯。而且大模型的訓(xùn)練數(shù)據(jù)中，文科語料要遠(yuǎn)遠(yuǎn)大于理科語料。”國內(nèi)一位大模型研發(fā)專家告訴科技日報記者。

近期，有一些國內(nèi)外大模型在奧數(shù)題評測（非奧數(shù)現(xiàn)場比賽）上拿到不錯的成績。對此，該專家解釋，用大家都訓(xùn)練過的公開數(shù)據(jù)集評測，大模型的準(zhǔn)確率很高；但用比較新的數(shù)據(jù)集去測試，準(zhǔn)確率就大大下降。最新的高考題是哪家大模型都沒有訓(xùn)練過的，考驗的是數(shù)學(xué)推理和計算的泛化能力，這就暴露了大模型的短板。

北京大學(xué)計算語言學(xué)研究所教授穗志方近日也表示，大模型在中國高考、公務(wù)員考試和美國SAT考試等標(biāo)準(zhǔn)化考試中的表現(xiàn)是優(yōu)劣兼具的。一些大模型在SAT數(shù)學(xué)測試中表現(xiàn)優(yōu)異，但在復(fù)雜推理或特定知識領(lǐng)域中的表現(xiàn)不夠出色。

“在大模型內(nèi)在機(jī)理沒有探究清楚的情況下，我們目前的評測路徑只能依靠從外部表現(xiàn)來推測內(nèi)在能力。”穗志方說，未來應(yīng)發(fā)展更系統(tǒng)的評測大綱、更具挑戰(zhàn)的評測任務(wù)、更科學(xué)的評測方法。AI是否比人類更適合考試？尚未可定論。

標(biāo)簽：

　　 原標(biāo)題：AI參加高考，為何偏科嚴(yán)重