大模型评测【行业应用篇】教育行业-小学奥数｜「AI老师」离我们还有多远？106个大模型实测横评04.22

本期我们评测AI大模型在教育领域-小学奥数这个场景的应用能力，并输出大模型担任AI老师的综合分析。同时，教育等行业各领域不同类型、不同岗位、不同细分维度的AI数字员工评测，都在爆肝输出中，敬请期待（或者包子们想评测那个岗位，欢迎私信，有求必测！）。

一、评测结论：

*106个大模型实测横评得分区间分布统计表

*优秀率/不合格率统计表

*106个大模型实测横评得分前五名统计表

• 关键结论

1. 商用模型垄断头部：

   • 前5名中商用占4席，且包揽第1、3、4、5名，领域能力应用优势明显。

   • 前5名平均分高达 97.4分（满分100），接近人类专家水平。

2. 开源模型存在“单点突破”：

   • DeepSeek-R1以97分位列第2，是唯一进入前5的开源模型，但后续断层明显（第6名开源模型得分96分）。

3. 国产商用模型表现抢眼：

   • 360系模型（360zhinao2-o1、360gpt2-o1）在前5名中占2席，阿里系qwq-32b排名第6与第5名得分相同，展现国产技术竞争力。

• AI大模型在小学奥数考试的综合表现总结

1. 核心优势

• 顶尖答题能力

  商用模型（如gemini-2.5、DeepSeek-R1）在奥数题解中已接近人类专家水平。

• 高稳定性与覆盖率

  商用模型在优秀（≥90分）和良好（80-89分）区间占比超70%，具备大规模教学应用的坚实技术基础。

• 开源潜力可挖掘

  DeepSeek-R1等头部开源模型证明，通过针对性优化，开源方案可达到商用标杆水平。

2. 局限性

• 长尾效应显著

  低分模型（<60分）占比18%，需严格筛选才能用于教学。

• 开源模型适用场景受限

  中低分段开源模型需结合人工审核或定制化训练，难以直接部署。

3. 应用建议

• 高精度场景

  优先选择商用头部模型（如gemini-2.5、360zhinao2-o1），确保答案正确性。

• 成本敏感场景

  采用开源标杆模型（如DeepSeek-R1）并针对性微调，平衡性能与预算。

• 风险规避

  避免直接使用60分以下模型，尤其是开源低分模型错误率较高。

二、评测维度：

针对教育行业-小学奥数领域考试所涉及的专业知识，构建评测题集，进行评测。

各科目完整评测题集及结果详见：https://github.com/jeinlee1991/chinese-llm-benchmark

三、评测方法：

根据以上评测维度和题集构建，选取国内外的106个大模型进行实测横评，让他们分别答题，根据结果进行打分，并统计每个大模型的答题准确率，输出综合得分和排名。每一个大模型评测的评测题集、评测得分、评测错题，均可见、可查询、可溯源！

*106个大模型得分排名（图）｜绿色（闭源），蓝色（开源）

---

*106个大模型列表、得分和排名：

---

关于大模型评测EasyLLM：https://easyllm.site

1. 最全——全球最全大模型评测平台，已囊括200+大模型、300+评测维度

2. 最新——每周更新大模型排行榜

3. 最方便——无需注册/梯子，国内外各个大模型可一键评测

4. 结果可见——所有大模型评测的方法、题集、过程、得分结果，可见可追溯

5. 错题本——百万级大模型错题本

6. 免费——为您的私有模型提供免费的全方位评测服务，欢迎私信

我们的目标是：

通过评测为大家透视化呈现，各个大模型的能力边界，以支持大家高效使用！欢迎交流！！！