高考AI测评警示：题库残缺现象下的答题风险

AI评测乱象亟待整治/生成式配图

一年一度高考落幕，全民聚焦的考试话题再次成为网络流量争夺的“主战场”。

与往年不同，随着大语言模型逐步成熟并渗透大众生活，各类AI应用正加速落地。考场内学子奋笔疾书，考场外，大模型被投喂多个版本的高考真题，展开了一场实力对决。

用高考试卷检验AI解题能力，初衷无可厚非。但部分营销号缺乏严谨的实验设计、科学的论证流程，导致评测结论严重偏离客观事实，经不起二次验证。这类内容不仅误导考生与家长，也干扰了AI行业的健康竞争秩序。

01 评测翻车：残缺题干竟能输出完整答案

今年高考期间，一篇题为《“选拔牛顿接班人”的最难高考物理题，千问三答全对》的自媒体推文在社交平台吸引大量眼球。

该文声称基于2026年广东高考物理压轴真题进行AI横向测评，得出“千问满分作答，另外两家AI全面翻车”的结论，凭借鲜明对立感和悬念感收割流量。

这道题以平行板电容器、绝缘杆、带电小球、绝缘绳为物理情景，融合电场力、重力、圆周运动、碰撞带电翻转等多个核心知识点，整题包含三个递进式小问，环环相扣。题干信息、图形描述、物理条件、设问要求缺一不可。

文章在结尾称“物理最能暴露AI真实水平”，因为物理题需要“视觉理解+语义理解，抽象思维+领域知识，推理规划，计算+验证能力”等综合能力，任何一个环节断裂都会导致全盘归零。

若仅从文章展示的答题过程与结果看，似乎并无明显破绽。

但细心网友实测还原评测场景后，发现所谓“满分作答”背后暗藏玄机——若将该高考物理大题裁去部分内容，仅保留残缺题干、隐去核心设问，千问模型依旧能输出完整答案。

如此看来，文中标榜的“视觉理解+语义理解”就显得颇有讽刺意味：如果模型真具备良好视觉理解能力，理应识别出“题目不完整，缺少作答要求”。

结合AI行业技术常识判断，该模型大概率是在知识库中收录了这道完整高考物理题的题干、解题步骤和标准答案，本质上属于“背诵”答案。

平心而论，AI产品收录高考试题答案属于常规操作，并不能算作作弊。造成该评测翻车的根源，在于评测本身过于片面，缺乏科学的论证体系。

有意思的是，有媒体将这篇夸赞千问的评测文章原文发送给千问，询问其是否科学、客观。

千问给出的结论是：“这不是一篇双盲、随机、多维度的科学评测。”并指出该文章最大的科学硬伤在于样本选择缺乏随机性——仅凭一道题（虽是压轴题）就断言“一家全对，两家全错”，并据此推导出“物理最能暴露AI真实水平”，这在统计学上完全不成立。一道题恰好可能是千问训练数据中的“强项”，或其算法恰好契合该题的逻辑陷阱。

真正科学的评测应包含不同类型题目，如简单概念题、复杂计算题、实验题等。只测一道“最难”题，只能反映极端工况下的表现，无法代表整体物理推理能力。

千问自身的回答也佐证了这一点。

02 逻辑失真：高考AI评测乱象丛生

一场严谨的AI能力测评，核心原则在于“客观、公正、完整、可复现”。评测场景、测试素材、评判标准必须公开透明，结论须建立在真实测试数据之上。

此次引发争议的自媒体评测，从测试设计、过程呈现到结论推导，全程存在多处硬伤，最终结论完全不成立，连被夸赞的千问大模型都“不好意思承认”。

尤其值得警惕的是，测评选用的是高考真题这类公开试题——这些题目通常通过考生回忆记录在网上流传，早期版本往往存在大量错漏。专业的评测应做好题目校对，利用AI大模型本身的推理能力进行测试，避免依赖联网搜索答案。

或因蹭高考流量，或因专业能力不足，或因信息不对称，今年高考试题评测翻车现象频发。

一些评测存在“胡乱打分”现象：对步骤漏洞百出、逻辑混乱的答卷，刻意包装为“满分”营销素材；将明显的推导错误、符号误用美化成“解题亮点”；甚至为特定AI模型量身打造“满分神话”。

比如这个被捧为满分的AI答卷，原题条件明确写着“当0

另有一些评测极不严谨，测试出“耸人听闻”的结果——所有大模型没有一个答对，后来网友发现原来是测试题目传错了，令人哭笑不得。

更有评测全程不公开完整答题过程，仅凭几张截图、几句断章取义的文案拼凑出AI解题能力榜单。榜单数据来源不明、对比维度缺失，却在社交平台疯狂传播。

这类评测本身就缺乏专业知识支撑，文案华丽、话术夸张，满篇“最强”“天花板”“碾压同行”等绝对化用语，仅凭主观感受评价AI性能，完全丧失中立客观性。

此类乱象以高考热点为噱头，将测评异化为营销工具：既扰乱了公众对AI真实能力的判断，也消解了测评内容本应具备的参考价值与专业可信度，导致严谨的技术对比沦为流量炒作手段。是时候叫停这类行为了。（完）