IT之家 7 月 18 日訊息，上海人工智慧實驗室 17 日公布了針對 7 個 AI 大模型的高考全科目測試結果，據大模型開源開放評測體系「司南」相關負責人介紹，「當前大模型仍存在很大的局限性。組織 AI 大模型‘參加高考’，目的是評測當前大模型的真實水平，找準問題，持續推進技術進步。」
測試結果顯示，書生浦語 2.0 系列文曲星大模型（浦語文曲星）、阿裏通義千問大模型 Qwen2-72B 以及 GPT-4o 再次包攬文、理科前三甲；前三名 AI「考生」的文、理科成績分別超過了「一本」「二本」線（以今年高考人數最多的河南省的分數線為參考）。
從官方提供的圖片來看，此次參與「高考」的大模型還包括來自零一萬物的 Yi-1.5-34B、來自通義千問的 Qwen2-57B、來自智譜的 GLM-4-9B 和法國 AI 初創公司 Mistral 旗下的 Mixtral 8×22B。
據介紹，此次評測具備如下特征：
全卷考試：進行全卷評分，而不只針對單一題型，且包括帶圖的高考題
考前開源：評測覆蓋的開源模型均為今年高考前開源的模型，排除泄題的可能性
老師打分：邀請有高考閱卷經驗的老師打分，確保評分和高考盡量一致
完全公開：生成答案的程式碼、模型答卷、評分結果完全開源
在增加綜合科目的基礎上，Qwen2-72B、GPT-4o、浦語文曲星包攬文、理科前三甲。阿裏通義千問大模型 Qwen2-72B 以 546 分的成績榮獲 AI 高考「文科狀元」，浦語文曲星則以 468.5 分成為理科第一名，分別超過了「非開源國際插班生」GPT-4o（文科 531 分，理科 467 分）。同為國外機構釋出的 Mixtral 8x22B 平均得分最少，弱於國內大模型的高考表現。
閱卷老師們一致認為，大模型與真人考生仍存在差距，雖然對於基礎知識的掌握表現出色，但在邏輯推理和知識靈活套用方面，大模型仍然差強人意。具體而言，在作答主觀題時，大模型往往無法完整理解題幹，不明白代詞指向，結果導致答非所問；解答數學題時，解題過程機械且邏輯性差，對於幾何題，常出現與空間邏輯相違背的推斷；對物理、化學實驗理解膚淺，無法準確辨識並運用實驗器材。
此外，大模型也會偽造虛構內容，編造看似合理但實際不存在的詩句，或在存在明顯計算錯誤的情況下之後不反思，「硬著頭皮蒙」一個答案，均給閱卷老師帶來了困擾。
據IT之家此前報道，根據上海人工智慧實驗室上個月公布的 AI 高考全卷結果，Qwen2-72B、GPT-4o 及書生浦語 2.0 文曲星（InternLM2-20B-WQX）成為本次大模型高考的前三甲，得分率均超過 70%。大部份模型「考生」語文、英語科目表現良好，但數學方面仍有很大提升空間。
