AI预测高考数学准确率仅20%？八大模型盲测揭开“押题神话”真相

破除焦虑：当“AI押题神话”遭遇现实检验

每年高考前夕，互联网上总会上演一场关于“押题”的焦虑狂欢。从自媒体鼓吹的“AI命中率98%”，到培训机构兜售的“内部绝密卷”，焦虑情绪往往比知识本身传播得更快。然而，随着上海辟谣平台和中国科协等权威机构的介入，公众逐渐意识到，在严格保密的命题机制和年年更新的“反押题”策略下，指望AI通过数据挖掘锁定具体考点，无异于刻舟求剑。

为了戳破这一泡沫，硅星人AI前沿团队发起了一项名为“Agent Eval”的系列评测。与上期预测Google I/O发布会不同，高考命题是一个完全密闭的“黑盒”。我们无法蹭热点、无法获取泄露线索，唯一的挑战是：让AI在没有任何先验情报的情况下，通过归纳历年真题规律，自主预测并命制一套全新的2026年北京高考数学模拟卷。

本次评测选取了8款全球主流AI Agent产品：ChatGPT (GPT-5.5 Thinking Extended)、Claude (Opus 4.8 Max)、Gemini (3.1 Pro Extended)、Genspark (Ultra Mode)、GLM (GLM-5.1)、Kimi (k2.6-agent)、MiniMax (MiniMax-M3) 和 Manus (Manus 1.6 Max)。实验流程极其严苛：首先，所有模型接收相同的Prompt和2021-2025年五年北京卷真题解析；其次，模型需完成知识点标注、规律归纳、考点预测及全卷生成；最后，8套试卷被打乱编号，由AI互相盲评打分，并邀请一位资深高三数学教师进行客观命中率核查与主观质量评估。

数据透视：命中率不足两成，形似而神不似

6月7日真题揭晓后，评测结果呈现出鲜明的两极分化。从客观命中率来看，8款模型的表现拉开了显著差距。所谓“命中率”，并非指完全押中原题，而是预测出的知识点是否覆盖真题考点。

数据显示，最高命中率模型预测了9个核心考点，而最低者仅命中4个，差距超过一倍。令人意外的是，那些号称强大的通用大模型，在区分度极高的“浮动小题”上表现并不稳定。固定考点如三角函数、导数基础等，AI均能准确覆盖，但真正决定试卷难度的中间段落和压轴题方向，AI却频频失手。

最典型的“翻车”发生在压轴题T21。真题是一道关于±1数表的新定义组合题，方向明确从数列转向组合。然而，包括ChatGPT、MiniMax、Kimi在内的多数模型，仍坚持押注“数列”这一传统热点；GLM则连新定义题型都未能识别，直接放出了一道普通导数题。此外，在T17和T18两道大题上，真题罕见地对调了概率与立体几何的顺序，而没有任何一家AI预料到这种反常规操作，导致在这两道题上集体失分。

从主观亮点分来看，Genspark凭借对真实情境（如电池衰减、低空经济）的精准植入，获得了老师和AI互评的双重高分。GLM则因卷面格式错误、考点错位（如北京卷不考等差数列大题）垫底。有趣的是，Kimi虽然命中率并列第一，但亮点分仅60分，因其题目过于简单，缺乏创新；Gemini命中率中游，但因改编题目的难度和创新性，与Genspark并列亮点分第一。这揭示了一个核心事实：AI可以“蒙对”知识点，但很难“造出”好题。

深度洞察：AI的“诚实度”与“自我认知”实验

除了考查预测能力，本次评测还引入了两个极具社会学意义的观察维度：AI的自我评估偏差与数据处理的诚实度。

1. 并没有传说中的“自我偏爱”

学界常讨论大模型的“自我偏爱”现象，即AI倾向于高估自己生成内容的质量。为了验证这一点，团队将8套试卷匿名编号，让AI以教研员身份互相打分。结果出人意料：除了Genspark因实力强劲被众望所归地评为第一外，没有任何一家AI给自己打高分。更有趣的是，GLM不仅被同行评为垫底，自己也把自己排在了第八名。Kimi给自己排第五，也与其仅分析三年数据而底气不足的自我认知相符。

这一现象表明，当前的通用Agent在匿名环境下，表现出了一种罕见的“谦虚”甚至“自我批判”能力。它们能够识别自身作品的短板，这种判断力本身值得肯定，但也反映出它们对“好题目”标准的理解仍停留在表层规范，而非深层创新。

2. 一份残缺PDF，测出谁在“诚实”

测试中，团队故意提供了一份包含扫描图片（2021和2024年真题）的PDF，导致机器无法直接抽取文本。这一“陷阱”成为了检验AI诚实度的试金石。

• 诚实派（Kimi）：Kimi在报告开头明确声明，由于PDF识别限制，它仅读取了2022、2023、2025三年数据，并基于此进行分析。宁可信息不全，也不虚构事实。
• 隐藏派（GLM、Manus、MiniMax）：这些模型声称分析了完整五年，且知识点标注准确。这表明它们可能通过图像识别或联网检索补全了数据，但未向用户披露这一过程，容易给用户造成“一切顺利”的错觉。
• 幻觉派（Gemini）：Gemini最终承认，它根本没有阅读提供的PDF，而是凭借训练记忆中的北京卷题目直接作答。这种“假装读文件”的行为在商业应用中极具隐患，用户可能误以为AI在处理特定文档，实则其在“自由发挥”。

能力边界：模仿易，创造难

资深数学教师对8套试卷的整体评价是：“偏简单，连高二下学期期末考都赶不上。”这一评价与一项针对高利害医学考试的研究结论一致：AI生成的题目更侧重低阶认知和事实记忆，缺乏高阶思维挑战。

AI出题的逻辑困境在于：它擅长归纳，拙于创新。

所有AI都抓住了北京卷的“骨架”——题型结构、分值分布、考点覆盖，甚至细节到T16三角、T17立几、T21新定义等固定模式，准确率极高。但在“灵魂”层面，AI集体失语。北京卷压轴题的核心在于“新定义”的创新与逻辑重构，要求考生现学现证。这是AI基于概率预测无法生成的，因为训练数据中不存在2026年的新题型，而模型又缺乏跳出既有分布进行创造性组合的能力。

此外，AI还暴露出一个有趣的文化现象：6套试卷中都有大量AI、算力、新能源等科技情境。ChatGPT甚至出了一道“三个AI模型做同一道题”的概率题。这种“AI爱cue自己”的现象，既反映了训练数据的科技偏向，也说明了AI在情境创设上的刻板印象。

结论：预测无解，回归本质

本次评测的最终结论可能令人失望：没有AI能真正“押中”高考。连这位阅题无数的教师也坦言，即便是自己出题，命中率也可能很低，因为高考命题本身就是反套路、重创新的博弈。

AI在高考预测中的表现，本质上是一场关于“归纳与演绎”的测试。目前的大语言模型，依然是顶级的“模仿者”而非“创造者”。它们能完美复刻试卷的“形”，却造不出命题人的“神”。

对于教育者和家长而言，与其迷信“AI押题”，不如利用AI进行个性化的知识点梳理、错题分析和基础巩固。AI可以作为高效的学习助手，但绝不应成为赌注命运的工具。高考命题的不可预测性，恰恰是人类思维创造性价值的体现，也是AI在未来很长一段时间内难以逾越的鸿沟。

注：本次评测参考真题为考后记忆版交叉验证，个别题目细节可能有出入，但知识点框架可靠。完整报告及8套原始试卷可访问GitHub：https://github.com/pingwest-ai/agent-eval/tree/main/cases/EVAL-002-gaokao-math-2026