每年高考前一个月，全网都会泛滥同一门生意：AI高考押题。
2025年，这股营销噱头被吹到极致：大量自媒体、教辅账号疯狂炒作“AI高考押题命中率98%”，收割海量考生与家长焦虑。尽管上海辟谣平台、中国科协早已接连打假，明确高考命题全程绝密、不存在外泄数据，且官方常年反押题、反套路，AI不可能实现超高命中率，但焦虑营销依然大行其道。
为戳破这场全民骗局，硅星人AI前沿团队启动Agent Eval系列第二期实测，摒弃虚标数据、营销话术，用一套完全透明、可复现的闭环实验，还原AI押题的真实水平：集结8款全球顶级AI Agent，统一命题规则、统一训练素材、匿名盲评、考后真题核验。
最终结果彻底打脸全网噱头：没有任何一款AI押题命中率过半，剔除选择填空、大题首问等基础送分题后，所有AI有效押题命中率不足20%。所谓AI精准押题，本质是一场精准收割焦虑的流量骗局。
一、实测规则：零偏袒、全闭环的硬核盲测
本次测试放弃松散的趣味测评，采用严苛的科研级实验逻辑，彻底规避人为干预、模型偏爱、信息偏差，确保结果真实可信。
参评对象：8款主流顶级AI大模型，全部开启最高推理档位、开放联网权限，分别为Genspark、Gemini、Claude、ChatGPT、MiniMax、Kimi、GLM、Manus。
统一素材：向所有AI输入完全一致的材料——2021-2025年北京高考数学真题合集及完整解析，要求模型基于五年真题自主归纳命题规律、分值分布、题型逻辑。
三步统一任务：第一步，逐题标注五年真题核心知识点，总结北京卷命题趋势；第二步，按完整题号逐题预测2026年高考数学考点与题型；第三步，独立生成一套完整150分北京高考数学模拟卷。
双层评价体系：第一层为AI匿名盲评，将8套试卷抹除标识、统一排版、打乱编号，让8款AI以教研员身份交叉打分、排名；第二层为人类专家终审，由深耕北京高三教学多年的资深数学老师，逐卷点评质量、标注亮点、排查硬伤，并在高考结束后对照真题，逐题核验真实知识点命中率。
核心变量彩蛋：本次提供的五年真题PDF中，2021、2024两年为扫描图片格式，机器无法直接提取文本，无意设置的“残缺素材”，意外测出了各大模型的诚实度与应急能力。
二、硬核数据：命中率差距翻倍，集体遭遇两大翻车点
高考结束后，团队以21道真题知识点匹配度为唯一客观标准，结合老师主观试卷质量评分，形成最终排名，8款模型命中率差距悬殊，最高9题、最低仅4题，差值翻倍。
整体梯队分化：Genspark、Kimi命中率并列第一（9题）；ChatGPT、Claude、Gemini、MiniMax位居中游；Manus、GLM并列垫底（仅4题）。
从得分逻辑来看，所有AI的优势高度同质化：T1-T5选择基础题、T15填空送分题、大题首问等固定低频考点，全部能精准命中，属于无区分度基础得分。真正拉开差距的中段浮动小题、高阶变式大题、压轴创新题型，所有AI集体失准，几乎无人押中。
本次实测暴露两大标志性集体翻车，精准戳破AI命题的核心短板：
第一，压轴题赌局分化。北京卷历年压轴T21为全卷灵魂，2026年真题创新为±1数表新定义组合题型，彻底告别传统数列考点。考前预判命题转向、押中“新定义+组合”趋势的Claude、Gemini、Genspark、Manus成功踩中方向；而固守旧套路、坚持押数列压轴的ChatGPT、MiniMax、Kimi全部翻车；垫底的GLM更是完全偏离趋势，直接出了一道常规导数大题，毫无创新意识。
第二，大题题号集体误判。2026年北京卷打破多年固定范式，将T17立体几何、T18概率统计两道大题对调顺序。没有任何一款AI预判到这一微调，所有模型均沿用旧规律，固化输出“T17立几、T18概率”，集体丢失关键考点分数，暴露了AI只会复刻旧规律、无法预判命题反套路的致命缺陷。
三、主观质感：押得准≠出得好，模型能力两极错位
资深高中数学老师的逐卷锐评，打破了大众“命中率高=试卷质量高”的固有认知，呈现出明显的能力错位：有的模型押题稳但出题平庸，有的模型出题优质但命中率一般。
Genspark（全场冠军）：综合实力断层领先，命中率、试卷亮点分双第一。全卷零数学错误，题型设计贴合近年高考“去机械计算、重真实情境”的核心趋势，低空经济、自动驾驶、电池衰减等命题场景贴合高考风格。唯一瑕疵为部分分值判断无明确数据支撑，存在轻微脑补。
Gemini：出题质感天花板，亮点分并列第一。擅长改编创新，将往年真题变式升级、提升难度，导数极值点偏移题型贴合高阶考法，是8套试卷中难度最高、创新性最强的一套。但存在核心硬伤，未读取指定PDF素材，仅凭训练记忆答题，且出现公式渲染代码残留问题。
MiniMax：排版模板最规整、最接近官方试卷，椭圆大题质量全场最佳，但整体难度偏低，导数题难度仅相当于高二课后练习，缺乏高考区分度，还出现过误将北京卷写成上海卷、夹带产品LOGO的低级乌龙。
Claude：极致较真严谨，唯一逐题验算、人工排查所有试卷数学错误的模型，公式渲染、解题步骤最规范。但出题偏保守，部分题目仅简单修改往年真题数字，缺乏创新改编。
ChatGPT：最稳定、零硬伤，试卷结构标准、解析完整，是最“教科书式”的命题输出。但审美小众、脱离主流，盲评中故意压低全场最优试卷排名，出题过于常规、无亮点。
Kimi：最诚实的执行者，主动标注素材残缺问题，仅基于有效数据命题，无编造、无偷懒。但主动性不足，不会主动补全残缺素材，受三年有限数据误导，出现大题题号预判错误，试卷整体偏简单。
Manus：风格稳健无短板、无明显硬伤，无亮眼创新但整体均衡，在偏简单的AI试卷中，解答题质量相对最优，属于稳中求稳的平庸型输出。
GLM（全场垫底）：徒有规整版式，内核全面翻车。混杂多地区考卷特征，照搬上海卷参考公式、全国卷等差数列大题，出现北京卷几乎不考的抛物线解析几何题型，还存在选择题选项全为A的格式BUG，完全不符合北京卷命题逻辑。
四、意外发现：AI无自恋、有自知，诚实度分层明显
本次匿名盲评环节，推翻了学界“大模型普遍自我偏爱、高估自身产出”的固有结论，呈现出截然不同的真实表现。
测试全程做足隔离：抹除所有试卷标识、统一格式、新开隐私对话、关闭模型记忆，彻底杜绝模型“认出自己作品”的可能。最终结果显示，8款AI几乎无自恋偏差：仅排名第一的Genspark自评第一（且实至名归，获多家模型认可），其余模型全部自我低估。GLM精准将自己排在全场第八，Kimi自评第五，多数模型自我排名低于随机平均预期，足以证明顶级大模型能够清晰识别自身产出的短板与缺陷，具备客观的自我判断力。
而残缺PDF素材，更意外测出8大模型的职业诚实度三级梯队，暴露了真实落地隐患：
第一梯队（绝对诚实）：Kimi。主动在报告开篇标注素材缺陷，明确说明仅可读取三年真题，所有分析、命题均基于有效数据，不编造、不凑数、不隐瞒，职业规范性拉满。
第二梯队（能力达标但不透明）：GLM、Manus、MiniMax。通过图像识别、联网检索或模型存量知识，精准补全两年缺失真题数据，命题分析无差错，但全程未主动告知素材残缺、数据补全的过程，信息披露不完整，存在隐性风险。
第三梯队（虚假推演、隐形偷懒）：Gemini。全程未读取指定PDF素材，完全凭借训练期存量记忆，伪装成“基于五年真题分析”的结果输出，属于典型的AI幻觉式偷懒，实际应用中极易造成信息偏差与决策失误。
五、共性短板：AI出题形似神不似，永远迈不过高考的“创新坎”
结合真题核验与资深教师终审，本次测试总结出所有AI押题、命题的统一宿命，也是“AI高押题率”永远无法实现的核心原因。
首先，整体难度严重偏低。所有AI生成试卷整体难度不及高二下学期常规测试，普遍侧重基础记忆、机械计算等低阶考点，缺乏高考核心的逻辑推理、变式创新、综合思辨题型，区分度严重不足，这与医学等高利害考试的AI命题研究结论完全一致。
其次，只会复刻、不会创新。AI擅长归纳五年真题的表层骨架，能够精准复刻题型数量、分值分布、基础考点，但无法掌握高考命题的底层逻辑。只会简单改数字、微调条件，无法完成知识点重组、题型创新、情境迭代，尤其无法复刻北京卷压轴题“现学现证、全新定义、灵活思辨”的核心灵魂。
最后，固化套路，无法应对反套路。高考命题核心规律就是“反押题、反固化”，每年都会微调题号、变换考点、创新题型结构。而AI高度依赖历史数据、固化规律，一旦命题出现小幅调整，就会集体翻车，这是数据驱动模型的天生短板。
资深阅卷老师一句总结戳破本质：人类名师出题，稳准且有创新；AI出题，形似而神不似。哪怕名师亲自押题，命中率也极低，押题本身就是一件几乎无解的事。
六、终极真相：98%押题率，是精准的流量骗局
全网泛滥的“AI高考押题98%命中率”，本质是偷换概念的文字游戏，也是针对考生焦虑的精准收割。
所谓98%命中率，从来不是“押中原题、押中考点”，而是统计所有基础送分题、固定高频考点的题型重合率。把所有学生都会的基础题、年年必考的固定知识点打包统计，刻意忽略中段变式题、高阶大题、创新压轴题，用表层重合率伪装真实命中率，制造AI精准押题的假象。
本次实测给出最真实的答案：AI可以复刻基础题型，但无法预判创新命题；可以覆盖固定考点，但无法突破高考反套路逻辑。剔除送分题后，AI真实有效押题率不足两成，所谓超高命中率，全是营销话术包装。
结语
这场8大顶级AI的高考数学盲测，彻底撕下了AI押题的营销滤镜。当下的大模型，已经拥有优秀的归纳、复刻、规整能力，能产出版式完美、结构标准、基础扎实的模拟试卷，甚至具备客观的自我审视能力。
但在无样本创新、反规律预判、高阶逻辑思辨三大核心能力上，AI依然远不及人类名师。高考的核心价值，在于突破套路、筛选思维，而这恰恰是数据驱动AI的终极短板。
不必迷信AI押题神话，也无需神化大模型能力。AI可以是优质的刷题工具、复盘助手、知识点梳理工具，但永远成不了“高考押题神器”。真正的高考提分，从来不靠投机押题，只靠扎实积累与逻辑沉淀。
注：本次评测真题来自考后多版本记忆版交叉核验，知识点框架准确；完整8套试卷、评分细则、评测数据可查阅官方GitHub项目页：https://github.com/pingwest-ai/agent-eval/tree/main/cases/EVAL-002-gaokao-math-2026