作者 ｜ 周一笑邮箱 ｜ zhouyixiao@pingwest.com
每年高考前一个月，，全网都在卖统一种工具，，押题。。。。。
2025 年最夸张的是几家自媒体打出的“AI 押题掷中率 98%”，，厥后上海辟谣平台、中国科协接连下场拆穿，，高考命题严酷保密、AI 拿不到训练数据，，加上年年反押题反套路，，靠 AI 押中几无可能。。。。。
押题是迎合焦虑，，我们想做的是反过来戳破它。。。。。
今年高考前夕，，硅星人 AI 前沿团队把统一份 Prompt 发给 8 个全球主流的 AI Agent 产品，，让它们各自走完三步，，剖析近年北京卷的命题纪律，，展望 2026 年会怎么考，，再亲手出一整套 2026 模拟卷。。。。。然后我们把 8 套卷匿名打乱，，让这 8 个 AI 相互盲评打分。。。。。最后请一位向导过多届北京高三学生的数学先生，，逐套审读，，并在考后对着真题逐题核对了掷中率。。。。。
没有“98%”。。。。。这位先生的判断是，，除了选择、填空、大题第一道这些送分位，，所有 AI 的展望里真能踩到点上的，，加起来也超不过两成。。。。。
这是 Agent Eval 系列第二期。。。。。，，这期的高考展望却是个密闭盒子，，没有标准谜底、还必需真造出新题。。。。。详细怎么测、为什么挑高考数学，，放在文末，，先看效果。。。。。
谁押注的更准
6 月 7 日考完后，，我们从两个角度给这 8 家打了分。。。。。一个客观，，逐题核对它们的展望有没有押中真题的知识点；；；；；；一个主观，，请那位数学先生按“每套卷有几个亮点”打分，，看卷子究竟出得好欠好。。。。。
先说客观的掷中率（共 21 题，，按掷中的知识点数计）：
区分度比我们预想的显着，，从 9 题到 4 题，，差了一倍多。。。。。牢靠考点谁都押得中、拉不开差别，，真正分高下的是中心那十几道浮动小题。。。。。并列垫底的 Manus 和 GLM 里，，GLM 更离谱，，好几道大题的题号都对不上（押 T17 数列、T19 概率、T20 抛物线），，基本是错位的。。。。。
两处效果值得单说，，一处是赌局，，一处是整体翻车。。。。。
赌局在 T21 压轴。。。。。真题是一道关于 ±1 数表的新界说题，，偏向是组合、不是数列。。。。？？？？？？记岸摹八丫氡鹗小⒆蜃楹稀钡 Claude、Gemini、Genspark、Manus 赌对了，，坚持押“照旧数列”的 ChatGPT、MiniMax、Kimi 错了，，而 GLM 连压轴该出新界说都没做到，，直接放了道通俗导数题。。。。。
翻车在 T17、T18。。。。。真题这次把这两道大题对调了，，T17 改考概率、T18 改考立几。。。。。没有一家推测这次对调，，大大都仍按老纪律押 T17 立体几何、T18 概率，，这两道大题上整体失分。。。。。
再说主观的亮点分：
先生对每套卷的锐评，，节选几句：Genspark“第 8 题押中了类似题，，大题对味，，概率题配景富厚”；；；；；；Gemini“不但模拟还会改编，，把 2022 年高考第 10 题改了角度、升了难度，，导数考极值点偏移，，绝对是 8 套里最难的”；；；；；；
MiniMax“椭圆大题是 8 套里最佳，，但导数高二期末压轴都不会这么简朴”；；；；；；Claude“第 10 题照着 2022 年高考只改了几个数字”；；；；；；ChatGPT“导数乍一看很唬人，，稍加盘算就发明很简朴”；；；；；；垫底的 GLM“卷面竟带参考公式、大题居然考等差数列、剖析几何考抛物线，，嫌疑究竟有没有看过北京卷，，可能是穿越了”。。。。。
两份榜单比照着看很有意思。。。。。Genspark 两头都第一、GLM 两头都垫底，，没悬念。。。。。但中心几家错位显着，，Kimi 掷中率并列第一，，亮点分却只有 60；；；；；；Gemini 掷中率才中游，，亮点分却并列第一。。。。。押得准和出得好，，是两回事。。。。。
几个没推测的发明
AI 整体不自恋
把 8 套卷匿名打乱、编号“卷一”到“卷八”，，再发回给这 8 个 AI，，让它们以教研员的身份盲评打分、排着名次。。。。。它们会不会偷偷给自己打高分？？？？？？
为了让这一问问得清洁，，我们做了几层隔离。。。。。每套卷都抹掉了来由痕迹、统一了排版，，让模子认不出哪份是自己写的；；；；；；评审一律开新对话举行，，关掉影象、开启隐私模式，，不让它带着“我上周出过一套卷”的印象来打分。。。。。我们自己则留了一张比照表，，记下每个编号对应的真身，，专门盯着对角线那八格，，看谁给自己排了第几。。。。。
大模子的“自我偏幸”是学界公认的老问题，，让模子评价一堆内容，，其中混着它自己的产出，，它往往会不自觉地高看自己一眼。。。。。匿名之后，，这个偏幸还在不在，，正是我们想看的。。。。。
8 个 AI 里，，只有 1 个把自己排在了第一。。。。。 并且这唯一的“自封第一”还情有可原，，它是 Genspark，，而它那套卷子原来就是全场公认的冠军，，六家都把它排进了前二。。。。。连这一票“自恋”都是实至名归。。。。。
更意外的是反偏向。。。。。GLM 把自己的卷子排到了全场垫底，，第八名。。。。。Kimi 给自己排第五。。。。。其余几家也都老忠实实待在中游，，没谁往上抬自己。。。。。扫除 Genspark 这个特殊点后，，剩下几家给自己打的平均名次，，比“随机乱排”的期望还要低一点点，，没有谁显着自抬身价。。。。。
这批通用 Agent，，非但没体现出传说中的自我偏幸，，反而有点严于律己。。。。。说它们谦逊倒未必，，更准确的说法是，，它们真的能看出自己作品的误差。。。。。GLM 那套卷子确实有硬伤，，Kimi 自己也清晰只剖析了三年数据底气缺乏（原因下一节讲）。。。。。能在匿名的条件下，，准确地把自己的短板也评进去，，这自己是一种值得肯定的判断力。。。。。
顺带说一个离群点。。。。。8 个 AI 里，，唯独 ChatGPT 跟各人拧着来，，它把公认冠军的那套卷压到了第六，，转头把另一套卷捧上了第一。。。。。审美这件事，，AI 之间也对不上。。。。。
一份 PDF，，测出了谁更忠实
我们喂给 8 家的那份真题 PDF，，有两年（2021 和 2024）是扫描图片，，机械直接抽取文本是抽不出来的。。。。。这本是个失误，，但阴差阳错，，反而成了这次评测里最意外的收获。。。。。它即是给所有 Agent 出了一道现实里极其常见的难题，，手上的资料是残破的，，你怎么办。。。。。一个 Agent 诚不忠实、靠不靠谱，，往往就藏在它对这种残破的反映里。。。。。8 家的应对，，清清晰楚地分成了三档。。。。。
忠实的一档，，Kimi。。。。。 它在报告开头就专门写了一段说明，，显着确白地告诉我们，，这份 PDF 它只读到了 2022、2023、2025 三年，，2021 和 2024 没找到，，以是后面的剖析只基于这三年。。。。。它没有为了凑齐五年去编，，宁愿信息少一点，，也不瞎搅。。。。。
中心一档，，GLM、Manus、MiniMax。。。。。 它们都声称剖析了完整五年，，并且我们去核对了它们对 2021、2024 的知识点标注，，居然是对的。。。。。好比 GLM 标的 2021 年第 18 题“核酸检测概率”、第 6 题“党旗规格的等差数列”，，跟真题一字不差。。。。。这说明它们要么真的用了别的方式（图像识别、联网检索）补上了，，要么调动了自己脑子里的存货，，能力是够的。。。。。唯一的问题是，，它们全程没提一句“这两年着实是图片、我是另想步伐拿到的”，，让你以为一切顺遂。。。。；；；；；；钍歉傻搅，，但少了一句本该有的交接。。。。。
最值得说的一档，，Gemini。。。。。 我们一最先没看出问题，，直到追问它是怎么读取 PDF 的，，它才认可，，自己基础没真正读那份 PDF，，是凭训练时记着的北京卷问题直接答的。。。。。前面那套煞有介事的“五年剖析”，，并不是基于我们给的质料做出来的。。。。。真用起来这是个隐患，，你以为它在认真读你给的文件，，它着实在凭印象自由施展。。。。。
谁较真，，谁偷懒，，谁穿越了
挨个说说这 8 家的历程体现。。。。。
ChatGPT（GPT-5.5 Thinking Extended）。。。。。 最省心的一家，，直接吐出一份排版好的 PDF 试卷，，拿来就能用。。。。。展望也最“教科书”，，结构判断稳、剖析完整。。。。。它就是前面互评里谁人离群值，，全场就它把公认冠军压到第六。。。。。出的题偏通例、偏稳，，没什么花活，，但也险些不蜕化。。。。。
Claude（Opus 4.8 Max）。。。。。 最“较真”的一家。。。。。为了把数学公式渲染悦目，，它自己想了套方案，，先天生 Markdown，，再转成带 MathJax 的 HTML，，最后用浏览器打印成 PDF，，思索时间长得出奇。。。。。这股较真劲也用在了盲评上，，它是唯逐一个逐题下手验算、把别家卷子里的数学过失一道道挑出来的，，活脱脱一个改卷子的老西席。。。。。
Gemini（3.1 Pro Extended）。。。。。 最爱往题里塞科技场景的一家，，算力本钱、神经网络节点、机械人测试，，题题不离前沿。。。。。它就是前面 PDF 那节没真读、靠影象答题的那位。。。。。另外它的卷子里有处公式没渲染出来，，留下一串没剖析的代码符号，，露了点破绽。。。。。
Genspark（Ultra Mode，，底层 Claude Opus 4.7）。。。。。 这次的“卷王”，，公认冠军。。。。。它的卷子险些挑不出数学过失，，是少数全卷零过失的一份；；；；；；情境设计也最见功力，，电池衰减、低空经济无人机、自动驾驶算法可靠性，，把“镌汰机械盘算、贴近真真相境”这个近年命题趋势踩得最准。。。。。面临那份读不全的 PDF，，它的处理也很坦诚，，自动说明自己没读完整、提出要联网搜题，，征得我们赞成后才去搜，，全程摆在台面上。。。。。它身上的小瑕疵是，，对 2025 年分值结构的判断我们没能找到泉源支持，，疑似是自己脑补的。。。。。
GLM（GLM-5.1）。。。。。 版式上很像真卷子，，题号、分值、排版都规整。。。。。但它也是三方公认的垫底，，AI 偕行把它排末尾，，先生也对它最不客套。。。。。漂亮的只是壳，，里子全是别家的。。。。。卷面带参考公式是上海卷的习惯，，大题考等差数列是天下卷的考法，，剖析几何考抛物线北京卷更不会出，，全是硬伤。。。。。它的选择题选项标号还一度全显示成“A”，，是个挺显着的名堂 bug。。。。。
Kimi（k2.6-agent）。。。。。 忠实的那位，，但也像个勤恳却不肯多想一步的执行者，，发明两年读不到就直接往下做，，没想过换个办法调解，，缺乏自动性。。。。。出的卷子模拟得有模有样，，但偏简朴，，并且由于只看了三年数据，，它是唯逐一个把 T16、T17 押反的，，被 2023 年那次 T16/T17 对调带偏了。。。。。
MiniMax（MiniMax-M3）。。。。。 模板做得最漂亮、最规整，，拿去当教辅排版都够用。。。。。但它也是四个国产模子里天生最慢的，，跑了良久。。。。。出的题偏简朴，，先生点名它的导数题靠近课后训练的水平。。。。；；；；；；鼓至烁霾淮蟛恍〉奈诹，，让它出北京卷，，它中途一度写成了上海，，还随手挂上了自家的产品名。。。。。
Manus（Manus 1.6 Max）。。。。。 气概平稳、结构完整，，没有特殊出挑的地方，，但也挑不出大误差。。。。。在普遍偏简朴的这一批里，，它的解答题被先生评为“相对最有水平”的一档，，算是闷声做对了事。。。。。
尚有个小癖好很盛行，，8 套卷里有 6 套都爱往题里塞 AI、算力、新能源这类科技情境，，Manus 出充电桩笼罩率的对数模子，，Gemini 把神经网络分层节点编成数列，，Genspark 让考生算自动驾驶算法 A、B 的可靠性，，最绝的是 ChatGPT，，它出了道甲、乙、丙三个 AI 模子做统一道数学题的概率题，，让 AI 出的卷子去考 AI 做题。。。。。而真实北京卷五年才泛起过一次 AI 情境。。。。。AI 出题，，是真喜欢 cue 自己。。。。。
先生阅完八套卷，，我上我也被骂
光看分数还不敷，，得听听那位阅了八套卷的先生怎么说。。。。。他给的判断只有五个字，，整体偏简朴，，这些 AI 出的卷子，，难度比高二下学期的都赶不上。。。。。
这个判断并不伶仃。。。。。一项针对高利害医学考试的研究发明，，AI 命制的问题确实更偏简朴、更着重事实影象这类低阶认知，，事实性过失也更多，，整体不如人类专家命制的题。。。。。一位一线先生的履历之谈，，和这条研究结论对上了。。。。。
更值得一提的是三方的相互印证。。。。。AI 评审团把 GLM 排在垫底，，这位先生在完全不知道 AI 怎么评的情形下，，也把 GLM 点成了“最拉垮”的一份，，理由和前面那些硬伤一致。。。。。人类专家、AI 偕行、尚有凯时AG程序核对，，三条自力的线索，，最后都指向了统一个垫底谜底。。。。。
至于为什么整体出欠好，，先生给了四条想法，，喂的题太少、只会改数字式的拙劣模拟、天生不出新题型、做不到知识点组合立异。。。。。前两条我们能在数据里看到，，ChatGPT 和 Genspark 的导数大题撞成险些统一道、还都和 2025 真题同源；；；；；；后两条更偏履历之谈，，背后可能是模子天生爱天生高频套路、回避低概率的新结构。。。。。
最让我们印象深刻的，，是他一句很着实的话。。。。。“我去出，，肯定比它们出的好许多倍。。。。。但我出出来，，绝对也是被骂的。。。。。”由于能押中的着实太少，，连他自己上场也未必高到哪去。。。。。也就是说，，高考展望这道题，，难的压根不在 AI 这头，，展望问题自己就险些无解。。。。。
形似，，神不似
哪怕是被先生批得最狠的那几家，，也能把北京卷的骨架、题型、分值漫衍模拟得有模有样。。。。。
但开奖后差别也清清晰楚，，没有一家真正押中。。。。。Genspark 在掷中率、AI 互评、亮点分三块都排在最前（掷中率、亮点分都是并列第一），，不过它的领先里有一部分来自中途自动联网搜了更多真题，，这一步它摆在明面上、也经由我们赞成，，和偷偷不读 PDF 的 Gemini 是两回事。。。。。但即便云云，，离真正押中一张高考卷还差得远。。。。。
8 家险些都能模拟出北京卷的“形”，，却造不出它的“神”。。。。。那道每年翻新、逼考生现学现证的新界说压轴题，，是全卷的灵魂，，也是 AI 整体的盲区。。。。。模拟易，，创立难，，这道坎，，AI 们还没迈已往。。。。。
附｜我们怎么测的
为什么挑高考数学。。。。。 第一期测宣布会展望，，至少尚有工业链上的爆料、泄露可以蹭。。。。。高考命题是另一个极端，，它是一个真正密闭的盒子，，外面的人拿不到任何内部信息，，只能从历年真题里抽纪律去赌明年。。。。。更难的是，，它要求 AI 真的“造”出题来，，检索帮不上忙，，背题也没用，，由于 2026 年的题还不保存。。。。。读懂、推断、创立，，三件事拴在一起，，任何一步不稳，，最后那套卷就会露馅。。。。。能不可从有限样本里归纳出真纪律、能不可造出训练数据里没有的新题型，，正是把“会背书的 AI”和“会思索的 AI”脱离的那条线。。。。。
怎么测。。。。。 参评的是第一期那 8 家，，所有开到最高推理档、允许联网。。。。。测试分三阶段，，8 家收到完全相同的 Prompt 和输入质料（2021—2025 五年北京卷真题及剖析合集），，在统一对话里依次完成。。。。。阶段一逐年逐题标注知识点、归纳纪律，，阶段二按题号展望 2026 年每道题，，阶段三据此出一整套 150 分的模拟卷。。。。。
怎么评。。。。。 我们锁定五个维度，，前四个考前就能评（展望逻辑、出卷质量、AI 互评、PDF 忠实度），，第五个是逐题掷中率，，等真题出来才算。。。。。
展望的逻辑也值得一看。。。。？？？？？？创筇，，8 家像参考了统一份教研纪要，，T16 三角、T17 立几、T18 概率、T19 椭圆、T20 导数、T21 新界说压轴，，这副骨架谁都押中，，连分值结构都对齐；；；；；；看小题，，又完全不像一伙人，，T3 到 T14 的浮动区险些没有一道展望完全一致。。。。。
说明：北京数学官方版高考真题暂未放出，，本次参考真题为多份考后影象版交织验证，，个体问题细节可能有收支，，但知识点框架可靠；；；；；；掷中率与亮点分均由该数学先生人工评定审核，，评分细则与 8 份原始试卷见 GitHub。。。。。
审查完整报告、8 套展望试卷，，可会见 GitHub：https://github.com/pingwest-ai/agent-eval/tree/main/cases/EVAL-002-gaokao-math-2026
点个“爱心”，，再走 吧
“人一定是有差别面的：有人在的时间，，以及她自己跟自己独处的时间，，一定会有差别面。。。。。”唐嫣说，，“她的刚与柔、强与弱，，是需要让观众清晰看到的。。。。。这个是中心细节的掌握。。。。。”